改进多重同步压缩变换improved multisynchrosqueezing transform(IMSST)在信号处理中的应用

今天我们主要讲一下改进多重同步压缩变换improved multisynchrosqueezing transform(IMSST)在信号处理中的应用，多给几个例子对比一下，多重同步压缩变换MSST的相关理论在后续的文章中会讲。

原文：A multisynchrosqueezing-based high-resolution time-frequency analysis tool for the analysis of non-stationary signals

先说一下背景，传统时频分析方法诸如小波分析，短时傅里叶变换等在分析非平稳信号时，生成的时频谱中视频脊线通常过于模糊，无法为信号提供更精确的表征，因此小波理论联合创始人Daubechies教授提出了同步挤压小波变换SST,有效提高了信号的时频分辨率。与此同时，有学者提出多重同步压缩变换MSST，MSST将SST的结果进行多次同步压缩操作，进一步增强了信号的时频聚集特性。然而，MSST 存在一个主要问题，即存在“没有重新进行能量分配的点”（non-reassigned point）的问题，会导致时频平面上某些点的能量模糊。因此该文使用一种简单的策略来解决这个问题，即通过两个"四舍五入"过程，使得时频系数

重新分配给一个频率点 ，即将“没有重新进行能量分配的点”重新进行能量分配，一定程度上解决了 MSST 的能量模糊问题，原理就是这样，原文推导较为复杂，整个算法过程如下。

下面先给两个例子看一下，第一个是调频信号

clear;
SampFreq = 100;
t = 0 : 1/SampFreq : 4-1/SampFreq;
Sig = [sin(2*pi*(25*t + 10*sin(1.5*t)))];
[m,n]=size(Sig);
time=(1:n)/SampFreq;
fre=(SampFreq/2)/(n/2):(SampFreq/2)/(n/2):(SampFreq/2);

看一下其IMSST时频谱图

第二个是蝙蝠回声信号的例子

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;

看一下其IMSST时频谱图

现在我们开始对比，首先再用一个稍微复杂的调频信号进行分析

clc
clear
t=linspace(0,10,2000);
x=cos(2*pi*(0.1*t.^2.6+3*sin(2*t)+10*t)) + exp(-0.2*t).*cos(2*pi*(40+t.^1.3).*t);

看一下其CWT时频谱（纵坐标是错的，应该改为尺度）和SST时频谱

放大一些

看一下IMSST时频谱

放大一些

可见，IMSST效果并不是很好

其次，再用一个二次chirp信号进行对比

load quadchirp;
load tquad;
fs = 1000;
t=tquad;
x=quadchirp;

其CWT时频谱图如下

其SST时频谱如下

最后看下IMSST时频谱

再对比一下地震信号的例子

load kobe;
dt = 1;
x=kobe;

其CWT时频谱图如下

相应的SST时频谱

放大一下

最后看一下IMSST时频谱

局部放大一下

SST和IMSST的效果就不用我多说了

看最后一个例子，模拟轴承冲击信号

clc;clear
fs = 24000;
load bearing
x=bearing;

其CWT时频谱

其SST时频谱

局部放大，可以看到很明显的冲击成分

最后看一下IMSST时频谱

局部放大

emmm,洗洗睡吧

最后，强调一点，同步挤压变换系列基本都是围绕着瞬时频率及群延迟进行改进的，比如对其进行若干阶泰勒展开等等，效果较稳定还就是Daubechies大佬提出的SST算法。

SST可应用的信号：生理信号（脑电，心电，肌电等），机械振动信号，金融时间序列，雷达信号，及各种声信号等等