Toolbox™ обработки сигналов предоставляет функции и приложения, позволяющие визуализировать и сравнивать частотно-временное содержание нестационарных сигналов. Вычислите кратковременное преобразование Фурье и его обратное преобразование. Получение резких спектральных оценок с помощью переназначения или синхроскопии Фурье. Постройте график перекрестных спектрограмм, распределения Вигнера-Вилля и спектры стойкости. Извлекать и отслеживать частотно-временные гребни. Оценка мгновенной частоты, мгновенной полосы пропускания, спектрального куртоза и спектральной энтропии. Выполнение адаптивного к данным частотно-временного анализа с использованием эмпирического или вариационного разложения и преобразования Гильберта-Хуана.
| Анализатор сигналов | Визуализация и сравнение нескольких сигналов и спектров |
| Маркировщик сигналов | Метки атрибутов сигнала, областей и точек интереса |
Изучите особенности и ограничения функций частотно-временного анализа, предоставляемых средством обработки сигналов.
Практическое введение в непрерывный вейвлет-анализ (инструментарий вейвлета)
В этом примере показано, как выполнять и интерпретировать непрерывный вейвлет-анализ.
Частотно-временной анализ на основе БПФ
Отображение спектрограммы линейного ЧМ-сигнала.
Мгновенная частота комплексного чирпа
Вычислите мгновенную частоту сигнала, используя синхронизированное преобразование Фурье.
Обнаружение близко расположенных синусоид
Вычислите мгновенную частоту двух синусоид, используя синхронизированное преобразование Фурье. Определите, как должны быть разделены синусоиды для преобразования, чтобы разрешить их.
Классификация формы сигнала радара и связи с использованием глубокого обучения (панель инструментов системы фазированной решетки)
В этом примере показано, как классифицировать сигналы радара и связи с использованием распределения Вигнера-Вилля (WVD) и глубокой сверточной нейронной сети (CNN).
Классификация пешеходов и велосипедистов с использованием глубокого обучения (радар-инструментарий)
Классифицировать пешеходов и велосипедистов на основе их микродоплеровских характеристик с использованием сети глубокого обучения и частотно-временного анализа.
