Частотно-временная галерея

В этой галерее представлен обзор функций частотно-временного анализа, доступных в Signal Processing Toolbox™ и Wavelet Toolbox™. Описания и примеры использования представляют различные методы, которые вы можете использовать для анализа сигнала.

МетодФункцииОбратимыйПримеры

Кратковременное преобразование Фурье (спектрограмма)

  • Короткое преобразование Фурье (STFT) имеет фиксированное разрешение по времени и частоте.

  • Спектрограмма является квадратной величиной STFT.

  • stft: Да

  • spectrogram: Нет

Пример: Китовая песня

Непрерывный Вейвлет преобразование (Скалограмма)

  • Непрерывное вейвлет (CWT) имеет переменное частотно-временное разрешение.

  • CWT сохраняет временные сдвиги и временные масштабирования.

Да

Пример: Сигнал ЭКГ

Распределение Вигнера-Вилля

  • Распределение Вигнера-Вилле (WVD) всегда реально.

  • Временная и частотная предельные плотности соответствуют мгновенной степени и спектральной плотности энергии, соответственно.

  • Разрешение по времени WVD равно количеству входа отсчетов.

Нет

Пример: Отоакустическая эмиссия

Переназначение и синхронизация

  • Переназначение заостряет локализацию спектральных оценок.

  • Синхронизация «конденсирует» частотно-временные карты вокруг кривых мгновенной частоты.

  • Оба способа особенно подходят для отслеживания и извлечения частотно-временных гребней

  • pspectrum: Нет

  • fsst, wsst: Да

Пример: Импульс эхолокации

Преобразование Константа-Q Габора

  • Преобразование Константа-Q Габора (CQT) мозаичит частотно-временную плоскость с окнами переменного размера.

  • Окна имеют адаптируемую полосу пропускания и плотность дискретизации.

  • Отношение центральной частоты к ширине полосы (Q-коэффициент) для всех окон постоянно.

Да

Пример: Рок-музыка

Адаптивные к данным методы

  • Эмпирическое разложение моды (EMD) разлагает сигналы на функции внутреннего режима.

  • Вариационное разложение моды (VMD) разлагает сигнал на небольшое количество узкополосных функций внутренней моды.

  • Эмпирическое вейвлет (EWT) разлагает сигналы на компоненты мультирезолюционного анализа (MRA).

  • Преобразование Гильберта-Хуанга (HHT) вычисляет мгновенную частоту каждого эмпирического режима.

Нет

Пример: Вибрация подшипника

Кратковременное преобразование Фурье (спектрограмма)

Описание

  • Это short-time Fourier transform является линейным представлением частоты и времени, используемым в анализе нестационарных многокомпонентных сигналов.

  • Кратковременное преобразование Фурье обратимо.

  • Спектрограмма является квадратной величиной STFT.

  • Можно вычислить перекрестную спектрограмму двух сигналов, чтобы искать сходства во временной области частот.

  • Спектр стойкости сигнала является частотно-временным представлением, которое показывает процент времени, в течение которого данная частота присутствует в сигнале. Спектр стойкости является гистограммой в пространстве частота-мощность. Чем больше конкретная частота сохраняется в сигнале, когда сигнал развивается, тем выше его временной процент и, таким образом, более яркий или «горячий» его цвет в отображении.

Потенциальные приложения

Приложения этого частотно-временного способа включают, но не ограничиваются:

  • Обработка аудиосигнала: Оценка основной частоты, перекрестный синтез, выделение спектральной огибающей, изменение шкалы времени, растяжение времени и перемена тангажа. (Для получения дополнительной информации смотрите Phase Vocoder с различными окнами синтеза и анализа.)

  • Первоклассное обнаружение: Обнаружьте трещины в алюминиевых пластинах, используя кривые дисперсии сверхзвуковых Волн Лэмба.

  • Обработка массивов: Гидроакустические исследования, геофизические исследования и формирование луча.

  • Цифровые коммуникации: Обнаружение сигнала скачкообразного изменения частоты.

Как использовать

  • stft вычисляет кратковременное преобразование Фурье. Чтобы инвертировать краткосрочное преобразование Фурье, используйте istft функция.

  • pspectrum или spectrogram вычисляет спектрограмму.

  • xspectrogram вычисляет перекрестную спектрограмму двух сигналов.

  • Можно также использовать представление спектрограммы в Signal Analyzer, чтобы просмотреть спектрограмму сигнала.

  • Используйте опцию спектральной стойкости в pspectrum или Signal Analyzer для идентификации сигналов, скрытых в других сигналах.

Пример: Импульсы и колебания

Сгенерируйте сигнал, дискретизированный в 5 кГц в течение 4 секунд. Сигнал состоит из набора импульсов уменьшающейся длительности, разделенных областями колеблющейся амплитуды и колеблющейся частоты с увеличивающимся трендом.

fs = 5000;
t = 0:1/fs:4-1/fs;

x = 10*besselj(0,1000*(sin(2*pi*(t+2).^3/60).^5));

Вычислите и постройте график кратковременного преобразования Фурье сигнала. Оконное окно сигнала с 200-образным окном Кайзера с масштабным фактором β=30.

stft(x,fs,'Window',kaiser(200,30))

Figure contains an axes. The axes with title Short-Time Fourier Transform contains an object of type image.

Пример: Аудиосигнал с уменьшением щебета

Загрузите аудиосигнал, который содержит два уменьшающихся щебета и широкополосный брызгальный звук.

load splat

Установите длину перекрытия равным 96 выборкам. Постройте график кратковременного преобразования Фурье.

stft(y,Fs,'OverlapLength',96)

Figure contains an axes. The axes with title Short-Time Fourier Transform contains an object of type image.

Пример: Китовая песня

Загрузите файл, содержащий аудио данных от тихоокеанского синего кита, дискретизированный с частотой дискретизации 4 кГц. Файл получен из библиотеки вокализаций животных, поддерживаемой Программой исследований биоакустики Корнеллского университета. Шкала времени в данных сжимается в 10 раз, чтобы поднять тангаж и сделать вызовы более слышимыми.

whaleFile = fullfile(matlabroot,'examples','matlab','data','bluewhale.au');
[w,fs] = audioread(whaleFile);

Вычислите спектрограмму песни кита с процентом перекрытия, равным восемьдесят процентам. Установите минимальный порог для спектрограммы равным -50 дБ.

pspectrum(w,fs,'spectrogram','Leakage',0.2,'OverlapPercent',80,'MinThreshold',-50)

Figure contains an axes. The axes with title Fres = 20.7503 Hz, Tres = 155.5 ms contains an object of type image.

Пример: Спектр стойкости переходного сигнала

Загрузка интерференционного узкополосного сигнала, встроенного в широкополосный сигнал.

load TransientSig

Вычислите спектр стойкости сигнала. Оба компонентов сигнала хорошо видны.

pspectrum(x,fs,'persistence', ...
    'FrequencyLimits',[100 290],'TimeResolution',1)

Figure contains an axes. The axes with title Fres = 3.9101 Hz, Tres = 1 s contains an object of type image.

Непрерывный Вейвлет преобразование (Скалограмма)

Описание

  • Вейвлет преобразования является линейным представлением частоты и времени, которое сохраняет временные сдвиги и масштабирования времени.

  • Эта continuous wavelet transform хороша в обнаружении переходных процессов в нестационарных сигналах и для сигналов, в которых мгновенная частота быстро растет.

  • CWT является инвертируемым.

  • CWT помечает частотно-временную плоскость окнами переменного размера. Окно автоматически расширяется во времени, делая его подходящим для низкочастотных явлений, и сужается для высокой частоты явлений.

Потенциальные приложения

Приложения этого частотно-временного способа включают, но не ограничиваются:

  • Электрокардиограммы (ЭКГ): Наиболее клинически полезная информация сигнала ЭКГ обнаруживается во временных интервалах между его последовательными волнами и амплитудами, определяемыми его функциями. Вейвлет разбивает сигнал ЭКГ на шкалы, облегчая анализ сигнала ЭКГ в различных частотных областях значений.

  • Электроэнцефалограмма (ЭЭГ): Необработанные сигналы ЭЭГ страдают от плохого пространственного разрешения, низкого отношения сигнал/шум и программных продуктов. Непрерывный вейвлет разложение сигнала с шумом концентрирует внутреннюю информацию сигнала в нескольких вейвлеты коэффициентах, имеющих большие абсолютные значения, не изменяя случайное распределение шума. Поэтому шумоподавление может быть достигнуто путем порога коэффициентов вейвлета.

  • Демодуляция сигнала: Демодулируйте extended binary phase shift keying (EBPSK) с помощью адаптивного метода конструкции вейвлета.

  • Глубокое обучение: CWT может использоваться, чтобы создать частотно-временные представления, которые могут использоваться для обучения сверточной нейронной сети. Классификация временных рядов с использованием Wavelet Analysis and Глубокое Обучение (Wavelet Toolbox) показывает, как классифицировать сигналы ЭКГ с помощью скалограмм и передачи обучения.

Как использовать

  • cwt (Wavelet Toolbox) вычисляет непрерывное вейвлет и отображает скалограмму. Кроме того, создайте банк фильтров CWT с помощью cwtfilterbank (Wavelet Toolbox) и применить wt (Wavelet Toolbox) функция. Используйте этот метод для выполнения в параллельных приложениях или при вычислении преобразования для нескольких функций в цикле.

  • icwt (Wavelet Toolbox) инвертирует непрерывное вейвлет-преобразование.

  • Signal Analyzer имеет скалограммное представление, чтобы визуализировать CWT временных рядов.

Пример: Сигнал ЭКГ

Загрузите шумный сигнал ЭКГ, отобранный с частотой дискретизации 360 Гц.

load ecg
Fs = 360;

Вычислите непрерывное вейвлет.

cwt(ecg,Fs)

Figure contains an axes. The axes with title Magnitude Scalogram contains 3 objects of type image, line, area.

Данные ЭКГ берутся из базы данных аритмии MIT-BIH [2].

Распределение Вигнера-Вилля

Описание

  • Wigner-Ville distribution (WVD) является квадратичной плотностью энергии, вычисленной путем корреляции сигнала с временной и частотной переведенной и комплексно-сопряженной версией самого себя.

  • Распределение Вигнера-Вилля всегда реально, даже если сигнал сложен.

  • Временная и частотная предельные плотности соответствуют мгновенной степени и спектральной плотности энергии, соответственно.

  • Мгновенная частота и групповая задержка могут быть оценены с помощью локальных моментов первого порядка распределения Вигнера.

  • Разрешение по времени WVD равно количеству входа отсчетов.

  • Распределение Вигнера может локально принимать отрицательные значения.

Потенциальные приложения

Приложения этого частотно-временного способа включают, но не ограничиваются:

  • ОАЭ являются узкополосными колебательными сигналами, излучаемыми улиткой (внутренним ухом), и их наличие указывает на нормальный слух.

  • Квантовая механика: Квантовые коррекции к классической статистической механике, модель переноса электронов и вычисление статических и динамических свойств квантовых систем многих тел.

Как использовать

Пример: Отоакустическая эмиссия

Загрузите файл данных, содержащий данные о тоакустических выбросах, выбранные с частотой дискретизации 20 кГц. Эмиссия производится с помощью стимула, начинающегося с 25 миллисекунд и заканчивающегося с 175 миллисекунд.

load dpoae
Fs = 20e3;

Вычислите сглаженное-псевдослучайное распределение Вигнера Вилле отоакустических данных. График удобства изолирует частоту излучения примерно на ожидаемом значении 1,2 кГц.

wvd(dpoaets,Fs,'smoothedPseudo',kaiser(511,10),kaiser(511,10),'NumFrequencyPoints',4000,'NumTimePoints',3990)

Figure contains an axes. The axes with title Smoothed Pseudo Wigner-Ville Distribution contains an object of type image.

Для получения дополнительной информации об отоакустических выбросах смотрите «Определение точной частоты через аналитический CWT» в основанном на CWT частотно-временном анализе (Wavelet Toolbox).

Переназначение и синхронизация

Описание

  • Reassignment усиливает локализацию спектральных оценок и производит спектрограммы, которые легче считать и интерпретировать. Метод перемещает каждую спектральную оценку в центр энергии своего интервала вместо геометрического центра интервала. Он обеспечивает точную локализацию щебета и импульсов.

  • Fourier synchrosqueezed transform начинается с кратковременного преобразования Фурье и «сжимает» его значения так, что они концентрируются вокруг кривых мгновенной частоты во временной частотной плоскости.

  • Этот wavelet synchrosqueezed transform переопределяет энергию сигнала по частоте.

  • Как синхронизированное преобразование Фурье, так и синхросканированное преобразование вейвлета являются инвертируемыми.

  • Переопределенные и синхронизирующие методы особенно подходят для отслеживания и извлечения частотно-временных ridges.

Потенциальные приложения

Приложения этого частотно-временного способа включают, но не ограничиваются:

  • Обработка аудиосигнала: Преобразование синхронизации (SST) было первоначально введено в контексте анализа аудиосигнала.

  • Сейсмические данные: Анализ сейсмических данных для поиска нефтяных и газовых ловушек. Синхронизация может также обнаружить слабые сигналы глубокого слоя, которые обычно размазываются в сейсмических данных.

  • Колебания в степенях: Паровая турбина и электрогенератор могут иметь режимы механических подсинхронных колебаний (SSO) между различными ступенями турбины и генератором. Частота SSO обычно находится между 5 и 45 Гц, и частоты режима часто близки друг к другу. Антинуазная способность и частотно-временное разрешение WSST улучшает читаемость частотно-временного представления.

  • Глубокое обучение: Синхронизированные преобразования могут использоваться, чтобы извлечь функции и подать в сеть, которая классифицирует данные timeseries. Сегментация формы волны с использованием глубокого обучения показывает, как fsst выходы могут быть переданы в сеть LSTM, которая классифицирует сигналы ECG.

Как использовать

  • Используйте 'reassigned' опция в spectrogram, установите 'Reassigned' аргумент в true в pspectrumили установите флажок Reassign в виде спектрограммы Signal Analyzer для вычисления переназначенных спектрограмм.

  • fsst вычисляет Synchrosqueezed преобразование Фурье. Используйте ifsst функция для инвертирования Synchrosqueezed преобразования Фурье. (См. «Синхронизированное преобразование речевого сигнала Фурье» для восстановления речевых сигналов с использованием ifsst.)

  • wsst (Wavelet Toolbox) вычисляет синхросканированное преобразование вейвлета. Используйте iwsst (Wavelet Toolbox) функция для инвертирования вейвлет-синхронизации преобразования. (Смотрите Обратное Синхронизированное Преобразование Щебета (Wavelet Toolbox) для восстановления квадратичного щебета с использованием iwsst (Wavelet Toolbox).)

Пример: Импульс эхолокации

Загрузите эхолокационный импульс, излучаемый большой коричневой летучей мышью (Eptesicus Fuscus). Интервал дискретизации составляет 7 микросекунд.

load batsignal
Fs = 1/DT;

Вычислите переназначенную спектрограмму сигнала.

subplot(2,1,1)
pspectrum(batsignal,Fs,'spectrogram','TimeResolution',280e-6, ...
    'OverlapPercent',85,'MinThreshold',-45,'Leakage',0.9)
subplot(2,1,2)
pspectrum(batsignal,Fs,'spectrogram','TimeResolution',280e-6, ...
    'OverlapPercent',85,'MinThreshold',-45,'Leakage',0.9,'Reassign',true)

Figure contains 2 axes. Axes 1 with title Fres = 4.4558 kHz, Tres = 280 μs contains an object of type image. Axes 2 with title Fres = 4.4558 kHz, Tres = 280 μs contains an object of type image.

Спасибо Кертису Кондону, Кену Уайту и Аль Фенгу из Центра Бекмана при Университете Иллинойса за данные летучих мышей и разрешение использовать их в этом примере [3].

Пример: Речевые сигналы

Загрузите файл, содержащий слово «strong», на котором говорит женщина и человек. Сигналы дискретизированы на частоте 8 кГц. Объедините их в один сигнал.

load Strong
x = [her' him'];

Вычислите синхронизированное преобразование Фурье сигнала. Отобразите сигнал с помощью окна Кайзера с масштабным фактором β=20.

fsst(x,Fs,kaiser(256,20),'yaxis')

Figure contains an axes. The axes with title Fourier Synchrosqueezed Transform contains an object of type image.

Пример: Синтетические сейсмические данные

Загрузите синтетические сейсмические данные, отобранные с частотой дискретизации 100 Гц в течение 1 секунды.

load SyntheticSeismicData

Вычислите вейвлет преобразование сейсмических данных с помощью вейвлета и 30 голосов на октаву.

wsst(x,Fs,'bump','VoicesPerOctave',30,'ExtendSignal',true)

Figure contains an axes. The axes with title Wavelet Synchrosqueezed Transform contains an object of type surface.

Сейсмический сигнал генерируется с помощью двух синусоидов, упомянутых в «Частотно-временном анализе сейсмических данных с использованием преобразования синхронизации», Ping Wang, Jinghuai Gao и Zhiguo Wang [4].

Пример: Вибрация землетрясения

Измерения ускорения нагрузки, зарегистрированные на первом этаже трехэтажного испытательного сооружения в условиях землетрясения. Измерения отбирают с частотой дискретизации 1 кГц.

load quakevib
Fs = 1e3;

Вычислите вейвлет преобразование измерений ускорения. Вы анализируете данные о вибрации, которые показывают циклическое поведение. Синхронизированное преобразование позволяет вам изолировать три частотных составляющих, разделенных приблизительно на 11 Гц. Основная частота вибрации находится на 5,86 Гц, и равный peaks частот позволяют предположить, что они связаны гармонически. Циклическое поведение вибраций также видно.

wsst(gfloor1OL,Fs,'bump','VoicesPerOctave',48)
ylim([0 35])

Figure contains an axes. The axes with title Wavelet Synchrosqueezed Transform contains an object of type surface.

Пример: Данные о землетрясении Кобе

Данные сейсмографа нагрузки, зарегистрированные во время землетрясения в Кобе в 1995 году. Данные имеют частоту дискретизации 1 Гц.

load kobe
Fs = 1;

Вычислите вейвлет преобразование, которое изолирует различные частотные составляющие сейсмических данных.

wsst(kobe,Fs,'bump','VoicesPerOctave',48)
ylim([0 300])

Figure contains an axes. The axes with title Wavelet Synchrosqueezed Transform contains an object of type surface.

Данные представляют собой сейсмографические (вертикальное ускорение, нм/кв.с) измерения, зарегистрированные в Университете Тасмании, Хобарт, Австралия, 16 января 1995 года, начиная с 20:56:51 (GMT) и продолжаясь в течение 51 минут с 1 секундными интервалами [5].

Пример: Подсинхронные колебания в степенях

Загрузите подсинхронные данные о колебаниях Степени системы.

load OscillationData

Вычислите вейвлет преобразование с помощью вейвлет и 48 голосов на октаву. Частоты четырех режимов имеют частоты 15 Гц, 20 Гц, 25 Гц и 32 Гц. Заметьте, что энергии режимов с частотой 15 Гц и 20 Гц уменьшаются со временем, в то время как энергия режимов с частотой 25 Гц и 32 Гц увеличения постепенно с течением времени.

wsst(x,Fs,'bump','VoicesPerOctave',48)
ylim([10 50])

Figure contains an axes. The axes with title Wavelet Synchrosqueezed Transform contains an object of type surface.

Эти синтетические подсинхронные данные о колебаниях были сгенерированы с помощью уравнения, заданного Чжао и др. в «Применении синхроскнозированных преобразований вейвлет для извлечения колебательных параметров подсинхронных колебаний в степенях» [6].

Преобразование Константа-Q Габора

Описание

  • В constant-Q nonstationary Gabor transform используются окна с различными центральными частотами и полосами пропускания, так что отношение центральной частоты к полосе пропускания, Q-коэффициент, остается постоянным.

  • Преобразование Константа-Q Габора позволяет создавать стабильные обратной связи, получая совершенную реконструкцию сигнала.

  • В разносе частот окна центрируются на логарифмически разнесенных центральных частотах.

Потенциальные приложения

Приложения этого частотно-временного способа включают, но не ограничиваются:

  • Обработка аудиосигнала: Основные частоты тонов в музыке геометрически разнесены. Разрешение частоты слуховой системы человека приблизительно постоянное Q, что делает этот метод подходящим для обработки музыкального сигнала.

Как использовать

  • cqt (Wavelet Toolbox) вычисляет постоянное Q-преобразование Габора.

  • icqt (Wavelet Toolbox) инвертирует преобразование константы-Q Габора.

Пример: Рок-музыка

Загрузите аудио файла, содержащее фрагмент рок-музыки с вокалом, ударными и гитарой. Сигнал имеет частоту дискретизации 44,1 кГц.

load drums

Установите частотную область значений, в котором CQT имеет логарифмическую частотную характеристику, как минимально допустимую частоту, равную 2 кГц. Выполните CQT сигнала, используя 20 интервалов на октаву.

minFreq = fs/length(audio);
maxFreq = 2000;
cqt(audio,'SamplingFrequency',fs,'BinsPerOctave',20,'FrequencyLimits',[minFreq maxFreq])

Figure contains an axes. The axes with title Constant Q-Transform contains an object of type surface.

Адаптивные к данным методы

Описание

  • empirical mode decomposition разлагает сигналы на intrinsic mode functions, которые образуют полный и почти ортогональный базис для исходного сигнала.

  • variational mode decomposition разлагает сигнал на небольшое количество узкополосных функций внутреннего режима. Метод одновременно вычисляет все формы волны режима и их центральные частоты путем оптимизации ограниченной вариационной задачи.

  • empirical wavelet transform разлагает сигналы на multiresolution analysis (MRA) components. Метод использует адаптируемую схему вейвлет-деления, которая автоматически определяет эмпирические вейвлет и масштабирующие фильтры и сохраняет энергию.

  • Этот Hilbert-Huang transform вычисляет мгновенную частоту каждой функции внутреннего режима.

  • Эти методы в сочетании полезны для анализа нелинейных и нестационарных сигналов.

Потенциальные приложения

Приложения этого частотно-временного способа включают, но не ограничиваются:

  • Физиологическая обработка сигналов: Анализируйте реакцию ЭЭГ человека на транскраниальную магнитную стимуляцию (ТМС) коры головного мозга.

  • Структурные применения: Локализуйте аномалии, которые появляются как трещины, расслоение или потеря жесткости в балках и пластинах.

  • Система идентификации: Изолируйте модальные коэффициенты затухания структур с тесно расположенными модальными частотами.

  • Океаническая техника: Идентифицируйте переходные электромагнитные нарушения порядка, вызываемые людьми в подводных электромагнитных окружениях.

  • Физика Солнца: Извлечение периодических компонентов данных о пятне Солнца.

  • Атмосферная турбулентность: Наблюдайте стабильный пограничный слой, чтобы разделить турбулентные и нетурбулентные движения.

  • Эпидемиология: Оцените скорость путешествий инфекционных заболеваний, таких как лихорадка Денге.

Как использовать

  • emd вычисляет эмпирическое разложение моды.

  • vmd вычисляет разложение вариационного режима.

  • ewt (Wavelet Toolbox) вычисляет эмпирическое вейвлет-преобразование.

  • hht вычисляет спектр Гильберта Хуанга эмпирического разложения моды.

Пример: Вибрация подшипника

Загрузите сигнал вибрации от дефектного подшипника, сгенерированного в примере Compute Hilbert Spectrum of Vibration Signal. Сигнал дискретизируется со скоростью 10 кГц.

load bearingVibration

Вычислите первые пять функций внутреннего режима (МВФ) сигнала. Постройте график спектра Гильберта первого и третьего эмпирических режимов. Первый режим показывает увеличение износа из-за высокочастотных влияний на внешнее кольцо подшипника. Третий режим показывает резонанс, происходящий на полпути процесса измерения, который вызвал дефект подшипника.

imf = emd(y,'MaxNumIMF',5,'Display',0);
subplot(2,1,1)
hht(imf(:,1),fs)
subplot(2,1,2)
hht(imf(:,3),fs,'FrequencyLimits',[0 100])

Figure contains 2 axes. Axes 1 with title Hilbert Spectrum contains an object of type patch. Axes 2 with title Hilbert Spectrum contains an object of type patch.

Ссылки

[1] Тихоокеанский файл голубых китов получен из библиотеки вокализаций животных, поддерживаемых Программой исследований биоакустики Корнеллского университета.

[2] Moody G. B, Mark R. G. Влияние базы данных аритмии MIT-BIH. IEEE Eng in Med and Biol 20 (3): 45-50 (май-июнь 2001). (PMID: 11446209)

[3] Спасибо Кертису Кондону, Кену Уайту и Аль Фенгу из Центра Бекмана при Университете Иллинойса за данные эхолокации летучих мышей.

[4] Wang, Ping, Gao, J. and Wang, Z. Time-Frequency Analysis of Seismic Data Using Synchrosqueezing Transform, IEEE Geoscience and Remote Sensing Letters, vol 12, IsIssue 11, Dece 11, dec. 2014.

[5] Сейсмограф (вертикальное ускорение, нм/кв.сек) землетрясения в Кобе, зарегистрированного в Университете Тасмании, Хобарт, Австралия, 16 января 1995 года, начало в 20:56:51 (GMTRUE) и продолжающегося в течение 51 минут с 1 секундными интервалами.

[6] Zhao et al. Применение синхронизированных Вейвлетов преобразований для извлечения колебательных параметров подсинхронного колебания в Степень системах MDPI Energies; Опубликовано 12 июня 2018.

[7] Боашаш, Буалем. Анализ и обработка частотно-временных сигналов: комплексный справочный Elsevier, 2016.

См. также

Приложения

Функции

Для просмотра документации необходимо авторизоваться на сайте