MATLAB环境下基于随机期望最大化的多分量信号瞬时频率估计方法

相对于频率成分单一、周期性强的平稳信号来说，具有非平稳、非周期、非可积特性的非平稳信号更普遍地存在于自然界中。调频信号作为非平稳信号的一种，由于其频率时变、距离分辨率高、截获率低等特性，被广泛应用于雷达、地震勘测等领域。调频信号最显著的特点为其频率的时变特性。早期的信号研究领域中，频率的提出，是用于描述信号具有周期性特征的概念，其定义并不符合描述调频信号特征参数的要求，为了描述非平稳信号在某一时刻的瞬态特征，随后提出了瞬时频率的概念。在地质学领域中，对于地震信号瞬时频率的监控，可用于震点预测；在电气工程领域，瞬时频率常用于预判电力系统发生故障的时间和类型；在医学信号处理中，瞬时频率可用来分析脑电图信号，测定大脑正在进行何种活动。由于瞬时频率估计在信号处理领域中的广泛应用，对于其相关频率估计方法的研究是各个领域中的焦点。

鉴于此，提出一种基于随机期望最大化的多分量信号瞬时频率估计方法，该方法引入了一种新的观测模型估计多分量信号模态的瞬时频率，采用贝叶斯框架估计瞬态频率，使用混合模型来考虑信号分量和分布噪声，并使先验模型与参数相关联，以建模可用的先验知识，然后通过随机期望最大化算法制定一种自适应的估计策略。该方法可作为深度学习通用信号识别的前处理过程，可用于论文创新。

%% Time-frequency representation parametersM       = 500;       %% Number of frequential binL       = 20;        %% analysis window size (in bin)%% Define signal x0N     = 500;                        %% signal length
X(:,1) = real(fmlin(N,0.15,0.3));X(:,2) = real(fmsin(N,0.3,0.45,700,1,0.3,+1));
x0 = sum(X,2);tfr  = tfrgab2(x0, M, L);Spect=(abs(tfr(1:round(M/2),:)));

figurecolormap(flipud(gray))imagesc(Spect)axis squareax = gca;ax.YDir = 'normal'xlabel('Time index','FontSize', 12, 'FontWeight', 'bold')ylabel('Normalized frequency','FontSize', 12, 'FontWeight', 'bold')yticks([1 M/4 M/2])yticklabels({0,0.25,0.5})

完整代码可通过知乎学术咨询获得：
https://www.zhihu.com/people/ge-ting-gen-shu-xue-xue-pai

工学博士，担任《Mechanical System and Signal Processing》等期刊审稿专家，擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。