Частотно-временной анализ
Signal Processing Toolbox™ обеспечивает функции и приложения, которые позволяют вам визуализировать и сравнить частотно-временное содержимое нестационарных сигналов. Вычислите кратковременное преобразование Фурье и его обратное. Получите резкие спектральные оценки с помощью переназначения или синхронизации Фурье. Постройте графики перекрестных спектрограмм, распределений Вигнера-Вилля и спектров стойкости. Извлечение и отслеживание частотно-временных гребней. Оценка мгновенной частоты, мгновенной полосы пропускания, спектрального куртоза и спектральной энтропии. Выполните адаптивный к данным частотно-временной анализ, используя эмпирическое или вариационное разложение режима и преобразование Гильберта-Хуанга.
Приложения
| Signal Analyzer | Визуализируйте и сравните несколько сигналов и спектров |
| Signal Labeler | Маркируйте атрибуты сигнала, области и интересующие точки |
Функции
Темы
Исследуйте характеристики и ограничения функций частотно-временного анализа, предоставляемых Signal Processing Toolbox.
Практическое введение в непрерывный анализ Вейвлета (Wavelet Toolbox)
Этот пример показывает, как выполнить и интерпретировать непрерывный вейвлет.
Основанные на БПФ Частотно-временные анализы
Отображение спектрограммы линейного FM-сигнала.
Мгновенная частота комплексного щебета
Вычислите мгновенную частоту сигнала с помощью synchrosqueezed преобразования Фурье.
Обнаружение близко расположенных синусоидов
Вычислите мгновенную частоту двух синусоидов с помощью synchrosqueezed преобразования Фурье. Определите, насколько разделены синусоиды, чтобы преобразование их разрешило.
Классификация сигналов радара и связи с использованием глубокого обучения (Phased Array System Toolbox)
Этот пример показывает, как классифицировать радиолокационные и коммуникационные формы волны с помощью распределения Вигнера-Вилля (WVD) и глубокой сверточной нейронной сети (CNN).
Классификация пешеходов и бициклистов с использованием глубокого обучения (Radar Toolbox)
Классификация пешеходов и велосипедистов на основе их микродопплеровских характеристик с помощью нейронной сети для глубокого обучения и частотно-временного анализа.
