基础时频分析方法及应用

已于 2024-07-24 12:44:32 修改
阅读量759 收藏 28
点赞数 7
分类专栏： 评价指标 文章标签： matlab 信号处理 信息可视化 傅里叶分析
于 2024-07-23 10:34:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HSERL/article/details/140548523
版权

前言

        隔振器的评价指标通常采用振动信号的频谱，主要有功率谱密度，诺莫等级图等。运动台的评价指标通常站在时域的角度，关注误差信号的时域大小和均方根误差等。在实际装备中，运动台和隔振台在同一个设备上联合控制，单纯从时域或者频域的指标衡量，并不能充分体现两者的性能。

        以隔振台为例，近似静态的系统中隔振台，主要考虑大地振动，其上加速度信号从时域角度看近似白噪声，从频域角度看低频分量得到显著的衰减。当在系统中加入运动台，运动台的运动过程中会产生明显的力扰动，在时域将有所体现。同时如果考虑长时间段的频谱，其包含了各个运动时刻力扰动的叠加，受到轨迹的影响较大，其不利于隔振器针对某些特殊运动状态下的隔振效果评判。例如运动台的启停时刻，相对来说力扰动更加剧烈，在匀速阶段相对来说力扰动较小。为了更好的综合评判性能，引入时频分析方法。

        本文采用分析软件为MATLAB，文章中的代码均为说明性质的伪代码，如需完整的仿真文件请通过邮箱联系我们。

目录

前言

1.短时傅里叶变换

2.小波变换

1.短时傅里叶变换

        傅里叶变换是经典的时频转换算法，其能够将时域信号的转化成频谱信息。传统的傅里叶分析将信号完全在展开，不包含任何的时域信息。

        传统的傅里叶分析函数有几个需要主要关心的核心参数：采样频率Fs，采样点数N，通常采样点数应该为2的幂次，在MATLAB中因为有现成的函数，其对采样点数的限制可以忽略。

采样时间：T=\frac{N}{Fs}

频谱分辨率：\Delta F=\frac{Fs}{N}=\tfrac{1}{T}

单边频谱范围：0\sim \frac{Fs}{2}

function [f,Amp]=HSERL_FFT_Analysis(time,signal)
    N=length(time);
    Fs=1/(time(2)-time(1));
    S=fft(signal);
    Mag=abs(S/N);
    Amp=Mag(1:N/2+1);
    Amp(2:end-1)=Amp(2:end-1);
    f=Fs/N*(0:(N/2));
end

        测试两种类型的变频信号，传统傅里叶变换无法对其进行分辨。

Fs=200;
Ts=1/Fs;
T=1;
t=0:Ts:T-Ts;

%%
figure
y=zeros(1,Fs*T);
y(1:end/2)=sin(2*pi*10*t(1:end/2));
y(end/2:end)=sin(2*pi*30*t(end/2:end));
subplot(2,2,1)
plot(t,y,"LineWidth",1)

[f,Amp]=HSERL_FFT_Analysis(t,y);
subplot(2,2,3)
plot(f,Amp,"LineWidth",2)

y=zeros(1,Fs*T);
y(1:end/2)=sin(2*pi*30*t(1:end/2));
y(end/2:end)=sin(2*pi*10*t(end/2:end));
subplot(2,2,2)
plot(t,y,"LineWidth",1)

[f,Amp]=HSERL_FFT_Analysis(t,y);
subplot(2,2,4)
plot(f,Amp,"LineWidth",2)

%%
figure
y=chirp(t,1,1,20); 
subplot(2,2,1)
plot(t,y,"LineWidth",1)

[f,Amp]=HSERL_FFT_Analysis(t,y);
subplot(2,2,3)
plot(f,Amp,"LineWidth",2)

y=chirp(t,20,1,1); 
subplot(2,2,2)
plot(t,y,"LineWidth",1)

[f,Amp]=HSERL_FFT_Analysis(t,y);
subplot(2,2,4)
plot(f,Amp,"LineWidth",2)

         短时傅里叶变换是在傅里叶变换的基础上进行引入时域信息的基础尝试，其本质在于不对整个信号施加时间窗，而是建立小的时间窗，将时间窗在整个时间序列中滑移，得到一系列频谱。

          MATLAB中有现成的stft()函数进行短时傅里叶变换，该函数从2019a版本开始使用，其中主要需要的设置的参数为时间窗的长度以及每次的滑移的长度。窗的类型通常采用汉明窗或者汉宁窗。通过移动的窗函数能够实现不同信号时间段内的频谱计算。windownum为采用的窗口大小，noverlap为重叠窗口大小，noverlap越大，窗口滑移越小。假如窗口大小为40点，重叠窗口大小为30点，则每次切换窗口移动10个点。

function [t,f,Amp]=HSERL_SFTF_Analysis(time,signal,windownum,noverlap)
    Fs=1/(time(2)-time(1));
    N=length(time);
    window = hamming(windownum); 
    [S,F,T]=stft(signal,Fs, 'Window', window, 'OverlapLength', noverlap, 'FFTLength', N);
    t=T;
    f=F(end/2:end);
    Mag=abs(S/windownum);
    Amp=Mag(end/2:end,:);
    Amp(2:end-1)=Amp(2:end-1);
end

         同样 测试上述两种类型的变频信号，在短时傅里叶变换的分析下可以明显观察到信号频谱的变化。    

Fs=200;
Ts=1/Fs;
T=1;

%%
figure
t=0:Ts:T-Ts;
y=zeros(1,Fs*T);
y(1:end/2)=sin(2*pi*10*t(1:end/2));
y(end/2:end)=sin(2*pi*30*t(end/2:end));
subplot(3,2,1)
plot(t,y,"LineWidth",1)

[t,f,Amp]=HSERL_SFTF_Analysis(t,y,40,39);
subplot(3,2,3)
surf(t,f,Amp);
view(0, 90);
axis tight;
colorbar;

subplot(3,2,5)
waterfall(f,t(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])

t=0:Ts:T-Ts;
y=zeros(1,Fs*T);
y(1:end/2)=sin(2*pi*30*t(1:end/2));
y(end/2:end)=sin(2*pi*10*t(end/2:end));
subplot(3,2,2)
plot(t,y,"LineWidth",1)

[t,f,Amp]=HSERL_SFTF_Analysis(t,y,40,39);
subplot(3,2,4)
surf(t,f,Amp);
view(0, 90);
axis tight;
colorbar;

subplot(3,2,6)
waterfall(f,t(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])

%%
figure
t=0:Ts:T-Ts;
y=chirp(t,1,1,20); 
subplot(3,2,1)
plot(t,y,"LineWidth",1)

[t,f,Amp]=HSERL_SFTF_Analysis(t,y,40,39);
subplot(3,2,3)
surf(t,f,Amp);
view(0, 90);
axis tight;
colorbar;

subplot(3,2,5)
waterfall(f,t(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])

t=0:Ts:T-Ts;
y=chirp(t,20,1,1); 
subplot(3,2,2)
plot(t,y,"LineWidth",1)

[t,f,Amp]=HSERL_SFTF_Analysis(t,y,40,39);
subplot(3,2,4)
surf(t,f,Amp);
view(0, 90);
axis tight;
colorbar;

subplot(3,2,6)
waterfall(f,t(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])

        对于短时傅里叶变换来说窗函数的大小直接决定了时频分析的频率分辨率与时间分辨率，从定性的角度分析，窗口越大，处理的信号时间越长，其时间分辨率越低；窗口越小，处理的信号时间越短，频率分辨率越低。以一种变频信号为例，窗口较小时，频谱的泄露较大，但是在变频的时间点前后变化较大；窗口较大时，频谱泄露相对较小，但是对变频点的前后的频谱缓慢变化，对定位时间点不利。

        注意此处设置的窗口滑移点数都是1，每次的窗口滑移点数同样也是影响结果的因素，选择大的滑移点数能够有效的降低数据量，在合适的选择下引起的时域泄露可以接受。

Fs=200;
Ts=1/Fs;
T=1;

%%
figure
t=0:Ts:T-Ts;
y=zeros(1,Fs*T);
y(1:end/2)=sin(2*pi*10*t(1:end/2));
y(end/2:end)=sin(2*pi*30*t(end/2:end));
subplot(2,2,1)
plot(t,y,"LineWidth",1)

[T,f,Amp]=HSERL_SFTF_Analysis(t,y,40,39);
subplot(2,2,2)
surf(T,f,Amp);
view(0, 90);
axis tight;
colorbar;
title('windownum=40')

[T,f,Amp]=HSERL_SFTF_Analysis(t,y,80,79);
subplot(2,2,3)
surf(T,f,Amp);
view(0, 90);
axis tight;
colorbar;
title('windownum=80')

[T,f,Amp]=HSERL_SFTF_Analysis(t,y,120,119);
subplot(2,2,4)
surf(T,f,Amp);
view(0, 90);
axis tight;
colorbar;
title('windownum=120')

%%
figure
T=1;
t=0:Ts:T-Ts;
y=zeros(1,Fs*T);
y(1:end/2)=sin(2*pi*10*t(1:end/2));
y(end/2:end)=sin(2*pi*30*t(end/2:end));
subplot(2,2,1)
plot(t,y,"LineWidth",1)

[T,f,Amp]=HSERL_SFTF_Analysis(t,y,40,39);
subplot(2,2,2)
waterfall(f,T(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])
title('windownum=40')

[T,f,Amp]=HSERL_SFTF_Analysis(t,y,80,79);
subplot(2,2,3)
waterfall(f,T(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])
title('windownum=80')

[T,f,Amp]=HSERL_SFTF_Analysis(t,y,120,119);
subplot(2,2,4)
waterfall(f,T(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])
title('windownum=120')

2.小波变换

        短时傅里叶变换作为视频分析最初的尝试，其能够实现的简单的时频分析，然而其依赖与大小不变的窗口，固定的窗口大小导致其只能在固定的分辨率进行，对于一些瞬态的信号效果较差。

        小波变换克服了短时傅里叶变换的问题，在时域和频域上都有表征信号局部信息的能力，时间窗和频率窗能够动态调整。定性的讲，针对低频部分采用较低的时间分辨率，提高频率分辨率；针对高频部分采用较低的频率分辨率，提高时间分辨率。

        其适用于信号主要集成在低频域的情况。如果关注的频率成分位于中高端，例如语音信号，由于小波变换在高频段的频谱窗口宽，其小波系数包含多个频率分量，信号针对性变差。

function [t,f,Amp]=HSERL_CWT_Analysis(time,signal)
    Fs=1/(time(2)-time(1));
    [wt,f] = cwt(signal,'morse',Fs);
    t=time;
    Amp=abs(wt);
end

        小波变换得到的时频谱对于低频信号的频率分辨率较好，时间分辨率相对较差；对于高频信号的频率分辨率较差，时间分辨率较好。然而其得到的小波频谱如何转化成控制依据将是后续需要研究的部分。

Fs=200;
Ts=1/Fs;
T=1;

%%
figure
t=0:Ts:T-Ts;
y=zeros(1,Fs*T);
y(1:end/2)=sin(2*pi*10*t(1:end/2));
y(end/2:end)=sin(2*pi*30*t(end/2:end));
subplot(3,2,1)
plot(t,y,"LineWidth",1)

[t,f,Amp]=HSERL_CWT_Analysis(t,y);
subplot(3,2,3)
surf(t,f,Amp);
view(0, 90);
axis tight;
colorbar;

subplot(3,2,5)
waterfall(f,t(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])

t=0:Ts:T-Ts;
y=chirp(t,1,1,20); 
subplot(3,2,2)
plot(t,y,"LineWidth",1)

[t,f,Amp]=HSERL_CWT_Analysis(t,y);
subplot(3,2,4)
surf(t,f,Amp);
view(0, 90);
axis tight;
colorbar;

subplot(3,2,6)
waterfall(f,t(1:10:end),Amp(:,1:10:end)');
set(gca,XDir="reverse",View=[30 50])

HSERL
关注
  • 7
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matlab时频分析之连续小波变换cwt
hyhhyh21的博客
04-28 13万+
matlab时频分析之连续小波变换cwt
Matlab时频分析技术及其应用
12-11
Matlab时频分析技术及其应用 及matlab实例文件 本书以Mathworks公司最新推出的Matlab 7.0为平台，以时频分析工具箱和小波分析工具箱（wavelet toolbox）3.0版为基础，理论与实际相结合并侧重于工程应用，在简要介绍...
时频分析方法及其在发展性EEG数据中的应用
u011661076的博客
04-13 3346
文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。 导读 EEG为神经振荡这类大脑活动提供了丰富的测量。然而，到目前为止，大多数发展性脑电研究都集中在以事件相关电位(ERPs)或基于傅立叶变换的功率来分析脑电信号数据。虽然这些测量手段卓有成效，但它们并没有利用脑电信号中包含的所有信息。也就是说，ERP分析忽略了非锁相信号，而基于傅立叶分析的功率分析忽略了时间信息。时频分析可以更好地刻画包含在脑电数据中的振荡。通过分离不同频率上的功率和相位信息，时频测量提供了对神经生理机制更深入的解释，促进了神
各种时频分析方法-不定期更新
qq_42148002的博客
08-23 1万+
Abstract： The Fourier decomposition and the anisotropic diffusion filtering model are used to extract various flow field scales and their coherent and incoherent parts. The different flow field scales are identified using the Fourier decomposition. Three c
时频分析方法
m0_46735338的博客
08-20 7372
时频分析方法 本文转自：https://blog.csdn.net/wordwarwordwar/article/details/66583536 摘要：常规傅立叶变换方法不能刻画任一时刻的频率成分,无法对其进行全面的分析。时频分析方法将一维时域信号变换到二维的时频平面。由于不同时频分析方法有其特有时频特性,本文简要介绍几种较常见的线性时频表示和非线性时频表示，并对他们进行比较，进一步阐述了这些方法的长处和不足之处。 1引言 信号一般用时间作自变量来表示,通过傅立叶变换可分解为不同的频率分量。在平稳信号分析
时频分析方法简介
热门推荐
radar_zzm的博客
03-29 3万+
时频联合分析 本文转载自:https://blog.csdn.net/wordwarwordwar/article/details/66583536 摘要：常规傅立叶变换方法不能刻画任一时刻的频率成分,无法对其...
时频分析算法应用-matlab
weixin_46973478的博客
10-04 413
时频分析代码-实用系列
时频分析：短时傅里叶变换应用
去向前方的博客
06-06 5880
目录： 前言 实验环境 Matlab spectrogram函数 1语法 2举栗子： 2.1跟踪声音信号里的鸟声轨迹 2.2谱图3d可视化 参考： 前言 之前讲了时频分析的原理，和matlab里面的相关实现，现在展示一下它的应用。 想要复习原理的同学，可以参照一下这篇：短时傅里叶分析（1） 想要熟悉函数语句的同学： 基础的可以参见前面的：短时傅里叶实现（1） ...
时频分析在工程中的应用
kulunji的专栏
01-14 1万+
时频分析在工程中的应用     时频分析在工程中的应用     在传统的信号处理中，人们分析和处理信号的最常用也是最直接的方法是傅里叶变换。傅里叶变换及其反变换构建起信号时域与频域之间变换的桥梁，是信号时域与频域分析的基础。但是以傅里叶变换为基础的经典分析方法，只是一种信号的整体变换，要么完全在时域进行，要么完全在频域进行，因
信号时频分析方法
Ace_Spade的博客
08-21 400
信号时频分析方法原理简析
Matlab时频分析技术及其应用代码
05-20
- 通过这些代码，学习者可以深入理解不同时频分析方法的原理和应用场景。 - 实践过程中，调整参数，观察结果，有助于理解信号的时频特性。 - 结合实际数据，对理论知识进行验证和深化。 总之，“Matlab时频分析...
TFR_时频_时频分析_
10-01
常见的时频分析方法包括短时傅立叶变换（Short-Time Fourier Transform, STFT）、小波变换（Wavelet Transform）和滑动窗口傅立叶变换等。 1. 短时傅立叶变换：STFT通过在信号上应用移动和重叠的窗口函数来进行局部...
matlab时频分析工具箱.zip_Matlab时频分析工具箱_daughtervol_时频_时频分布_时频分析matlab
07-14
1. **时频分布**：时频分布是时频分析的基础，它将信号的能量分布展示在时间和频率两个维度上。常见的时频分布包括短时傅立叶变换（STFT）、小波变换、窗口傅立叶变换、Wigner-Ville分布等。这些变换可以提供比传统...
《Matlab时频分析及其应用》的详细代码
09-30
3. **希尔伯特黄变换（Hilbert-Huang Transform, HHT）**：HHT是一种自适应的时频分析方法，结合了经验模态分解（Empirical Mode Decomposition, EMD）和希尔伯特变换。EMD将信号分解为一系列内在模态函数（IMF），...
MUSIC算法的Matlab实现
最新发布
枯木何日可逢春
07-30 126
MUSIC算法的Matlab实现
MATLAB粒子群算法求解同时取送货考虑充电策略和非线性能量消耗的电动车辆路径规划EVRPSPD问题代码实例高配版
waterstar2010的博客
07-27 402
MATLAB粒子群算法求解同时取送货考虑充电策略和非线性能量消耗的电动车辆路径规划EVRPSPD问题代码实例高配版。MATLAB粒子群算法求解同时取送货考虑充电策略和非线性能量消耗的电动车辆路径规划EVRPSPD问题代码实例高配版。
MATLAB基础：函数与函数控制语句
Zjs15630471263的博客
07-26 1154
今天我们继续学习Matlab中函数相关知识。help 命令是最基本的查询方法，可查询所有目录、指定目录、命令、函数。我们直接点击帮助菜单即可查询所需的API函数。lookfor 关键字用于搜索相关的命令和函数。如，我们输入lookfor input，MATLAB就会显示所有关于input的API函数type M 文件名用于显示文件代码。如果想显示以.m扩展名结尾的就要加通配符 which M 文件名用于显示指定文件的路径。返回一个路径demo 用于演示matlab功能。如图，我们可以获取各种演示代码来解
TPMS曲面的matlab生成及可视化-导出stl文件-导出abaqus的inp文件-周期性边界条件施加
qianxin1234的博客
07-27 266
tpms曲面采用拉普拉斯方法进行平滑（为了可以在abaqus中通过单元质量检测）,函数为SmoothIsosurface。tpms导出inp文件（施加周期性边界条件）函数为WriteINP。tpms导出stl文件,函数为WriteSTL。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值