💥💥💞💞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
摘要:
许多信号包含多个具有时变瞬时频率(IFs)的组成部分,它们共同具有一个轨迹趋势,例如机械振动信号、语音信号和生物医学信号。为了分析这种信号并获得高时频分辨率,本文提出了一种称为参数化重采样时频变换(PRTF 变换)的方法。借鉴通用参数化时频变换(GPTF 变换)的思想,我们使用参数化核函数来表示重采样函数,并进一步构建时变和时不变的重采样算子来消除 IF 的变化并重新定位 IF 的位置。这些算子可以同时提高时频表示(TFR)中多个组成部分的能量集中度。针对不同类型的信号,提供了包含多项式函数和傅里叶级数的典型核函数。提出了相应的核估计方法,通过利用多个组成部分检测 IF 的共享趋势,并递归逼近核参数。数值模拟和实际实验证明了该方法在提高非平稳多组分信号的时频分辨率方面的有效性。
demo_9harmonics.m 展示了对模拟信号(具有9个阻尼谐波)进行去噪的演示。展示了基于五种算法(HSVD、rSVD、rSVD-ST、NASR 和 rQRd)的五个去噪结果。demo_20harmonics.m 展示了对模拟信号(具有20个谐波)进行去噪的演示。展示了基于五种算法(HSVD、rSVD、rSVD-ST、NASR 和 rQRd)的五个去噪结果。demo_pnasData.m 展示了对实验数据(cytoC_ms_1scan_000001.csv)展示了基于四种算法(rSVD、rSVD-ST、NASR 和 rQRd)的四个去噪结果。
📚2 运行结果
部分代码:
function SNR_gain = Cal_SNR_gain(x,xs,x_de)
%% Estimate the SNR gain
% x: noisy signal
% xs: clean signal
% x_de: denoised signal
Es = norm(xs,2)^2; % clean signal energy
En = norm(x-xs,2)^2; % noise energy
SNR_orig = 10*(log10(Es/En)); % original SNR of the noisy signal
%
En_de = norm(x_de - xs,2)^2; % noise energy in the denoised result
SNR_de = 10*(log10(Es/En_de)); % SNR of the denoised signal
%
SNR_gain = SNR_de - SNR_orig; % SNR gain
%% SNR_gain = 10*log10(En/En_de); % equivalent to the above
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。