1 内容介绍

多重同步压缩变换简介

在分析一个客观物体时，采集它当前状态的信息，是了解其工作状况最好的方式。通过传感器，记录其信息，得到的就是信号(一般均为时域信号)。时频分析技术(TFA)，通过加入频率变量，为我们分析时域信号，提供了更为全面的时频视角。但是，传统TFA是存在很多不足的。这里不再赘述。

相关文章谷歌搜索“Multi-synchrosqueezing Transform”即可。

目前，TFA的发展，是冲着两个目标。

一，时频谱具有高能量聚集性，直观地可以理解为高时频分辨率(也有些人，反对将聚集性等同为分辨率)。

二，信号能够被完美重构。(做到完美重构的话，可以使得该TFA技术用于信号去噪，模态分解等方面。)

传统TFA方法，比如，短时傅里叶变换(STFT)，小波变换(WT)，S变换等等，都是可以做到信号被完美重构的。但是，它们的能量聚集性特别差，时频谱发散严重。同步压缩变换(SST)的出现，就是在不影响信号重构性能的前提下，提高能量聚集性。但是，SST对噪声敏感，并且不适合处理强调频信号(遇到这两种情况，依然会发散严重)。上面的帖子中，介绍了一种叫同步提取变换(SET)的方法。相比于SST，时频聚集性，得到极大的提高。但是，SET不再能够完美重构信号了，只能做到近似重构。

这就有点尴尬了，难道上面两个目标，就不能同时达成吗？！接下来，介绍一种新提出的算法，Multi-synchrosqueezing Transform(MSST)，多重同步压缩变换。MSST，既可以实现高能量聚集性，也可以完美重构信号。MSST是基于SST的一种技术，但是，脑洞却开的相当大。了解SST的同仁们应该知道，SST是基于STFT(或者WT)的一种后处理工具，从频率方向对STFT的结果进行压缩，从而提升时频谱的能量聚集性。此刻，大家心里还需要清楚一件事，只要是在频率方向对STFT结果进行的压缩，永远都可以对时域信号进行完美重构。虽然，SST不太适合处理强调频信号。但是，对强调频信号的STFT结果进行SST处理之后，时频谱依然要更加聚集一些。重点来了！那么，我们是不是可以对SST结果继续执行一次同步压缩操作？答案当然是可以的。再执行一次SST操作的结果是，时频谱会更加聚集。那么，继续执行下去，时频谱是不是会继续聚集下去？yes！通过这些idea的汇集，就提出了MSST算法。其原理，就是对时频谱执行多次同步压缩操作。由于多次压缩都是在频率方向进行的，因此，MSST是允许信号被完美重构的。

当然了，执行多次同步压缩，是会产生巨大的计算负担的，不利于实时计算。因此，之后文章中又给出了一种通过函数迭代的方式，极大地减少了计算负担，可以做到与SST相同的计算复杂度，实时性很好。

       MSST从构思上，从算法实现上，都非常的简单。但是，其深层的数学原理，却很深。接下来，给大家看一个蝙蝠信号的分析例子。其他的，可以从文章中看看。文章最后，也提供了所有的代码和数据。直接拖进MATLAB里就可以运行。

2 部分代码

clear;

close all

load('batdata2.mat');

SampFreq = 1000000/7;

n=length(data);

time=(1:n)/SampFreq;

fre=(SampFreq/2)/(n/2):(SampFreq/2)/(n/2):(SampFreq/2);

time=time*1000;

fre=fre/1000;

[Ts] = IMSST_Z(data,45,10);

%[Ts] = IMSST_Z(data);

figure;

imagesc(time,fre,abs(Ts));

xlabel('Time (s)');

ylabel('Fre (Hz)');

axis xy

3 运行结果

【通信】Matlab实现改进的多同步压缩变换_信号处理【通信】Matlab实现改进的多同步压缩变换_matlab代码_02

4 参考文献

[1]曹宏瑞, 周铖, 魏江,等. 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法:. 

部分理论引用网络文献，若有侵权联系博主删除。