一种新的时频（TF）分析（TFA）方法来研究非线性和非平稳数据的趋势和瞬时频率（IF）（Matlab代码实现）

 👨‍🎓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

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

文献来源：

本文介绍了一种新的时频（TF）分析（TFA）方法来研究非线性和非平稳数据的趋势和瞬时频率（IF）。我们提出的方法称为同步提取变换（SET），属于短时傅里叶变换（STFT）的后处理过程。与经典的TFA方法相比，所提方法可以生成能量更集中的TF表示，并允许信号重建。所提出的SET方法受到最近提出的同步挤压变换（SST）和理想TFA理论的启发。要分析信号，获取时变信息非常重要，例如IF和瞬时幅度。SST是将所有TF系数压缩到IF轨迹中。与SST的挤压方式不同，SET的主要思想是只保留与信号时变特征最相关的STFT结果的TF信息，并去除大多数拖尾的TF能量，从而大大提高新型TF表示的能量集中度。使用数值和真实世界信号来验证SET方法的有效性。

原文摘要：

Abstract:

In this paper, we introduce a new time-frequency (TF) analysis (TFA) method to study the trend and instantaneous frequency (IF) of nonlinear and nonstationary data. Our proposed method is termed the synchroextracting transform (SET), which belongs to a postprocessing procedure of the short-time Fourier transform (STFT). Compared with classical TFA methods, the proposed method can generate a more energy concentrated TF representation and allow for signal reconstruction. The proposed SET method is inspired by the recently proposed synchrosqueezing transform (SST) and the theory of the ideal TFA. To analyze a signal, it is important to obtain the time-varying information, such as the IF and instantaneous amplitude. The SST is to squeeze all TF coefficients into the IF trajectory. Differ from the squeezing manner of SST, the main idea of SET is to only retain the TF information of STFT results most related to time-varying features of the signal and to remove most smeared TF energy, such that the energy concentration of the novel TF representation can be enhanced greatly. Numerical and real-world signals are employed to validate the effectiveness of the SET method.

时频分析（TFA）方法是表征其时变特征的有效工具 非平稳信号，可以帮助我们更清楚地了解这个非平稳世界[1]，[2]。TFA方法已被 经过多年的发展，经典的TFA方法包括短时傅里叶变换（STFT），小波 变换和威格纳-维尔分布[3]。但是，受 海森堡不确定性原理或意外交叉项，经典方法存在低TF分辨率，其 导致他们无法精确表征非平稳信号的非线性行为。最近 已经提出了一些先进的后处理方法，例如重新分配方法（RS）[4]，[5]，同步挤压变换 （SST）[6]–[8]，参数化 TFA（PTFA）方法[9]-[12]和解调TFA（DTFA）方法[7]，[13]。 通常，每种提出的方法都是为了解决一个 问题，即如何尽可能提高TF分辨率。

📚2 运行结果

 

 

 

部分代码：

[IF Te tfr]= SET_Y(data,50);
[Ts]= SST_Y(data,50);
[Rs]= RS_Y(data,50);
[IF2 Te2 tfr2]= SET_Y(data,100);
%..............Fig. 25................
figure
suptitle('Fig. 25');
subplot(211)
plot(time,data);
ylabel('Amp / um');
xlabel('Time / Sec');
axis([0 0.5 -100 100]);
subplot(212)
ft=abs(fft(data))/512;
plot(fre,ft(1:end/2));
ylabel('Amp / um');
xlabel('Fre / Hz');
axis([0 1000 0 50]);
%..............Fig. 26................
figure
suptitle('Fig. 26');
subplot(611);
imagesc(time,fre,abs(tfr2));
axis([0 0.5 60 120]);
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
colormap jet
subplot(612);
imagesc(time,fre,abs(Ts));
axis([0 0.5 60 120]);
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
colormap jet
subplot(613);
imagesc(time,fre,abs(Rs));
axis([0 0.5 60 120]);
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
colormap jet
subplot(614);
imagesc(time,fre,abs(Te));
axis([0 0.5 60 120]);
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
colormap jet
subplot(615);
imagesc(time,fre,abs(Ptfr));
axis([0 0.5 60 120]);
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
colormap jet
subplot(616);
imagesc(time,fre,abs(Dtfr));
axis([0 0.5 60 120]);
axis xy
ylabel('Freq / Hz');
xlabel('Time / Sec');
colormap jet
..................Fig. 27.......................
[Cs1, Es1] = brevridge_mult(abs(Te), 1:2000, 1, 1, 5);
figure
suptitle('Fig. 27');
subplot(211)
plot(time,fre(Cs1));
ylabel('Fre / Hz');
xlabel('Time / Sec');
axis([0 0.5 60 120]);
subplot(212)
ft=abs(fft(detrend(fre(Cs1))))/512;
plot(fre,ft(1:end/2));
xlabel('Fre / Hz');
axis([0 1000 0 4]); 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1] G. Yu， M. Yu 和 C. Xu， “Synchroextracting Transform，” IEEE Transactions on Industrial Electronics， vol. 64， no. 10， pp. 8042-8054， Oct. 2017.DOI： 10.1109/TIE.2017.2696503

🌈4 Matlab代码实现