👨🎓个人主页:研学社的博客
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
本文为强非平稳信号生成理想的时频表示。时频分析及同步挤压变换研究。
时频分析是指将信号在时域和频域上进行分析的一种方法。它可以用来分析信号的频率内容随时间的变化情况,常用于信号处理、通信系统等领域。
同步挤压变换(Squeeze Transform)是一种时频分析方法,它通过将信号进行非线性变换,将时域上的窄带信号转换为频域上的宽带信号,从而实现对信号的时频分析。同步挤压变换在信号处理、图像处理等领域有着广泛的应用。
同步挤压变换的基本原理是将信号通过一系列滤波器进行频带分解,然后将每个频带上的信号进行非线性变换,最后将变换后的信号进行合成。这样就可以得到信号在时频域上的分布情况。
同步挤压变换具有较好的时频分辨率和抗噪性能,可以有效地提取信号的时频特征。它在语音识别、图像压缩、信号调制等领域都有着重要的应用价值。
时频分析及同步挤压变换的研究主要涉及算法优化、性能分析和应用探索等方面。通过对时频分析方法的研究,可以更好地理解信号的时频特性,从而为信号处理和通信系统的设计提供指导和支持。
📚2 运行结果
2.1 算例1
2.2 算例2
2.3 算例3
2.4 算例4
2.5 算例5
2.6 算例6
算例5和算例6就不展示了,详情见第4部分。
部分代码:
data=bat(501:1400);
n=length(data);
p=zeros(1,n);
Sp=zeros(1,n);
SampFreq=100;
time=(1:n)/SampFreq;
fre=(SampFreq/2)/(n/2):(SampFreq/2)/(n/2):(SampFreq/2);
%This IF parameter was estimated by the Gaussian model from MATLAB toolbox 'cftool'.
a1 = 1.348;
b1 = -0.1498;
c1 = 0.4482;
a2 = 8.656;
b2 = -1.321;
c2 = 2.383;
a3 = -0.8441;
b3 = 2.007;
c3 = 0.5633;
a4 = -0.4868;
b4 = 1.833;
c4 = 0.3106;
a5 = 9.152;
b5 = -1.165;
c5 = 3.543;
a6 = 0.03345;
b6 = 4.979;
c6 = 0.2038;
a7 = 0.1629;
b7 = 5.339;
c7 = 0.779;
a8 = 17.58;
b8 = -0.1755;
c8 = 42.22;
x=time;
p = a1*exp(-((x-b1)/c1).^2) + a2*exp(-((x-b2)/c2).^2) + a3*exp(-((x-b3)/c3).^2) + a4*exp(-((x-b4)/c4).^2) + a5*exp(-((x-b5)/c5).^2) + a6*exp(-((x-b6)/c6).^2) + a7*exp(-((x-b7)/c7).^2) + a8*exp(-((x-b8)/c8).^2);
%Sp=INT(p,time);
[tfr Ts] = SST2(data,SampFreq,371,p);
figure
imagesc(time,fre,abs(tfr));
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
title('PSTFT');
figure
imagesc(time,fre,abs(Ts));
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
title('SST');
%The following code can obtain more accurate SST result.
%Beacuse it just uses the peak data as IF, and not considers the fitting curve.
[tfr Ts] = SST2(data,SampFreq,121,p);
[v, I] = max(abs(Ts),[],1);
%SI=INT(fre(I),time);
[tfr Ts] = SST2(data,SampFreq,371,fre(I));
figure
imagesc(time,fre,abs(Ts));
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
title('SST');
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]YuGang (2023). Ideal time-frequency analysis 2.
[2]王庆杰. 基于特征选择和时频分析的径流预测机器学习模型研究[D].新疆农业大学,2022.DOI:10.27431/d.cnki.gxnyu.2022.000458.
[3]陈虹文.基于时频分析方法的结构损伤识别技术研究[J].建筑安全,2023,38(02):19-22+25.