信號(hào)分解的案例
2-8 基于matlab的ESMD（Extreme-Point Symmetric Mode Decomposition）信號(hào)分解算法 ￥19.89
基于matlab的ESMD（Extreme-Point Symmetric Mode Decomposition）信號(hào)分解算法，其基本思想是通過(guò)尋找數(shù)據(jù)序列中的極大值點(diǎn)和極小值點(diǎn)，并以此為基礎(chǔ)進(jìn)行信號(hào)分解。該方法在觀測(cè)數(shù)據(jù)的趨勢(shì)分離、異常診斷和時(shí)-頻分析方面具有獨(dú)特優(yōu)勢(shì)。程序已調(diào)通，可直接運(yùn)行。
245 基于matlab的MEEMD信號(hào)分解及重構(gòu)算法 ￥35.9
基于matlab的MEEMD信號(hào)分解及重構(gòu)算法。MEEMD方法的主要步驟包括：1. 定義多元信號(hào)集合，將多個(gè)信號(hào)進(jìn)行集合；2. 對(duì)多元信號(hào)集合進(jìn)行EEMD分解，得到一組IMFs；3. 將相同IMF進(jìn)行平均，得到改進(jìn)的IMFs；4. 重構(gòu)原始信號(hào)。MEEMD采用多元信號(hào)集合方式，避免了EEMD方法對(duì)IMF和對(duì)稱(chēng)延拓的限制，提高了分解的準(zhǔn)確性和穩(wěn)定性。能夠更好地處理非線(xiàn)性和不平穩(wěn)信號(hào)。 程序已調(diào)通，可直接運(yùn)行。
147基于matlab的信號(hào)多層分解和重構(gòu) ￥9.9
基于matlab的信號(hào)多層分解和重構(gòu)，進(jìn)行多頻率分析的源程序，一般步驟:取樣、分解、信號(hào)處理、重構(gòu)；采用離散濾波器對(duì)近似系數(shù)和小波系數(shù)進(jìn)行操作;程序已調(diào)通，可直接運(yùn)行。
175基于matlab信號(hào)匹配追蹤稀疏分解代碼 ￥15.9
<p>基于matlab信號(hào)匹配追蹤稀疏分解代碼，基于gabor時(shí)頻原子，對(duì)信號(hào)重構(gòu)效果好。輸出原子選擇過(guò)程，重構(gòu)誤差及重構(gòu)后的信號(hào)。程序已調(diào)通，可直接運(yùn)行。</p><div contenteditable="false" width="100%">
<figure class="figure-image" data-img="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png" style="text-align: center">
<img src="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png" data-mobile-src="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png?image_process=/format,webp/resize,w_400" data-pc-src="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png?image_process=/format,webp/resize,w_760" data-initial-src="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png">
</figure>
</div><p><br></p>
展開(kāi) 
183基于matlab的非線(xiàn)性調(diào)頻模態(tài)分解(VNCMD) ￥15.9
基于matlab的非線(xiàn)性調(diào)頻模態(tài)分解(VNCMD)，一種基于變分方法的信號(hào)分解技術(shù)，它將信號(hào)分解為多個(gè)模式。能夠處理非線(xiàn)性調(diào)頻信號(hào)，且對(duì)噪聲具有較好的魯棒性。VNCMD的基本原理是通過(guò)最小化信號(hào)與模式之間的差異來(lái)實(shí)現(xiàn)信號(hào)的分解。程序已調(diào)通，可直接運(yùn)行。
《機(jī)械設(shè)備非平穩(wěn)信號(hào)的故障診斷原理及應(yīng)用》
目 錄
第一章 概論
1.1 機(jī)械監(jiān)測(cè)診斷中的非平穩(wěn)問(wèn)題
1.2 非平穩(wěn)信號(hào)處理
1.3 信號(hào)的正交分解和信息的獨(dú)立化提取
1.4 我國(guó)小波技術(shù)的應(yīng)用現(xiàn)狀與進(jìn)展
第二章 主分量自回歸譜分析與應(yīng)用
2.1 機(jī)械摩擦、松動(dòng)故障特征
2.2 主分量分析
2.3 主分量自回歸譜分析
2.4 正弦分量和有色噪聲的合理估計(jì)
2.5 工程應(yīng)用
第三章 Wigner-Ville分布及其應(yīng)用
3.1 Wigner-Vill分布的定義
3.2 Wigner-Vill分布的主要性質(zhì)
3.3 Wigner-Vill分布的計(jì)算
3.4 交叉干擾項(xiàng)及其抑制
3.5 應(yīng)用實(shí)例
第四章 非平穩(wěn)信號(hào)處理方法的時(shí)頻分析及應(yīng)用
4.1 短時(shí)傅里葉變換
4.2 小波變換
4.3 小波包信號(hào)分解與重構(gòu)
4.4 工程應(yīng)用
第五章 諧波小波原理及其工程應(yīng)用
5.1 諧波小波的定義及正交性
5.2 Newland快速算法及時(shí)頻剖面圖
5.3 諧波小波濾波
5.4 諧波小波應(yīng)用舉例
第六章 Laplace小波特征波形相關(guān)濾波
6.1 Laplace小波及其特性
6.2 Laplace小波及其函數(shù)相關(guān)濾波
6.3 應(yīng)用實(shí)例
第七章 匹配追蹤信號(hào)分解及應(yīng)用
7.1 信號(hào)展開(kāi)與內(nèi)積
7.2 匹配追蹤信號(hào)展開(kāi)
7.3 匹配追蹤時(shí)頻表示與分布
7.4 機(jī)械系統(tǒng)沖擊響應(yīng)特征提取
7.5 應(yīng)用實(shí)例
第八章 小波包自回歸譜分析
8.1 基本原理
8.2 工程應(yīng)用
第九章 小波包分解頻帶能量監(jiān)測(cè)
9.1 基本原理
9.2 汽輪發(fā)電機(jī)組軸瓦松動(dòng)故障診斷
9.3 高壓透平蒸汽激振分析
第十章 小波分形技術(shù)及其在非平穩(wěn)故障診斷中的應(yīng)用
10.1 小波分析與機(jī)械設(shè)備非平穩(wěn)故障診斷中的分形問(wèn)題
10.2 小波分形技術(shù)原理
10.3 振動(dòng)信號(hào)小波分形盒維數(shù)計(jì)算
10.4 機(jī)械松動(dòng)故障的小波分形分析
第十一章 基因小波及其在內(nèi)燃機(jī)診斷中的應(yīng)用
11.1
展開(kāi) 14基于MATLAB的鯨魚(yú)優(yōu)化VMD參數(shù)，以熵值為適應(yīng)度函數(shù)，對(duì)VMD參數(shù)懲罰因子和層數(shù)進(jìn)行尋優(yōu) ￥30
基于MATLAB的鯨魚(yú)優(yōu)化VMD參數(shù)，以熵值為適應(yīng)度函數(shù)，對(duì)VMD參數(shù)懲罰因子和層數(shù)進(jìn)行尋優(yōu)，確定最優(yōu)值并進(jìn)行信號(hào)分解，程序已調(diào)通，可以直接運(yùn)行。
讓你聽(tīng)見(jiàn)的 HTML5
聲學(xué)基礎(chǔ)
一般人可以感覺(jué)到20 Hz~20kHz，強(qiáng)度為 -5dB~130dB 的聲音信號(hào)。成年人為 30~16000Hz 之間，老年人為 50~10000Hz 之間。人是通過(guò)耳朵進(jìn)行感受音波的，那為什么會(huì)稱(chēng)為波呢？最直觀的可以看我們耳朵是怎么反應(yīng)聲音的。當(dāng)聲音經(jīng)過(guò)外耳傳入中耳時(shí)，鐙骨的運(yùn)動(dòng)引起耳蝸內(nèi)流體壓強(qiáng)的變化，從而引起行波沿基底膜的傳播。
耳蝸就像一個(gè)頻譜分析儀，將復(fù)雜的信號(hào)分解成為各種頻率分量。頻譜分析會(huì)比較專(zhuān)業(yè)一點(diǎn)，簡(jiǎn)單說(shuō)就是 聲波 通過(guò) 快速 FFT 變化，由空域變?yōu)轭l率，這樣讓音頻分析多了一個(gè)維度分析。
其中，在音頻中有一個(gè)非常通用并且流行的單位，分貝。分貝最初使用是在電信行業(yè)，是為了量化長(zhǎng)導(dǎo)線(xiàn)傳輸電報(bào)和電話(huà)信號(hào)時(shí)的功率損失而開(kāi)發(fā)出來(lái)的。這個(gè)單位實(shí)際上并不是實(shí)際帶物理單位的量，它原始含義其實(shí)就是 兩個(gè)數(shù)值的對(duì)數(shù)比率，這兩個(gè)數(shù)值分別是測(cè)量值和參考值（也稱(chēng)為基準(zhǔn)值）。如公式：
而我們經(jīng)常會(huì)看到某些描述單位，比如，>120dB 屬于不舒服聲域范圍?；蛘咝稳缦聢D：
聲壓是描述聲波最基本的物理量，是媒質(zhì)中的壓力與靜壓的差值。單位為 Pa。（你可以理解為大氣壓的波動(dòng)值）。前面說(shuō)了分貝是參考值，那他參考的是啥呢？
其實(shí)是20μPa，這個(gè)值表示人耳在1000Hz處的平均可聽(tīng)閾值，或者是人耳在1000Hz處可被感知的平均最小聲壓波動(dòng)值。
最后再給大家普及一個(gè)，我大學(xué)以來(lái)賊 TM 想不通的東西，經(jīng)常會(huì)在很多濾波器里面看到 -3dB。那時(shí)候一直想不明白是為什么這個(gè)這么重要，后來(lái)偶然間看到
-3dB對(duì)應(yīng)的幅值比為0.707，即為：。如果是按功率比來(lái)計(jì)算，則功率比為1/2，也就是原來(lái)功率的一半，因此，-3dB稱(chēng)為“半功率點(diǎn)”。
展開(kāi) 管道漏磁內(nèi)檢測(cè)仿真APP助力管道缺陷診斷
為了便于研究和分析采集裝置中接收到的信號(hào)，本案例把探測(cè)器收集到的漏磁場(chǎng)信號(hào)分解為2個(gè)方向的分量，分別為平行于管道長(zhǎng)度方向的軸向分量，沿管道直徑垂直于表面的徑向分量。
磁感應(yīng)強(qiáng)度云圖
探測(cè)器檢測(cè)到的Bx曲線(xiàn)
探測(cè)器檢測(cè)到的By曲線(xiàn)
6、仿真APP封裝
基于伏圖提供的仿真APP開(kāi)發(fā)環(huán)境，通過(guò)選擇和鼠標(biāo)拖拽的方式搭建器件分析APP界面，將漏磁內(nèi)檢測(cè)仿真分析過(guò)程進(jìn)行封裝，開(kāi)發(fā)出具有漏磁檢測(cè)單元尺寸設(shè)計(jì)、缺陷設(shè)計(jì)、材料設(shè)計(jì)、分析求解、結(jié)果查看完整過(guò)程的一體化仿真APP，如下圖所示。
管道漏磁內(nèi)檢測(cè)仿真APP頁(yè)面
三、仿真APP賦能每一個(gè)工業(yè)品
相較于傳統(tǒng)仿真軟件，基于伏圖開(kāi)發(fā)的仿真APP更加靈活輕便，用戶(hù)可以零門(mén)檻低成本、跨平臺(tái)跨終端隨時(shí)隨地訪(fǎng)問(wèn)云平臺(tái)進(jìn)行仿真分析工作，提升產(chǎn)品研發(fā)效率。
同時(shí)，Simapps平臺(tái)也支持企業(yè)產(chǎn)商將仿真APP的在線(xiàn)計(jì)算結(jié)果界面內(nèi)嵌到官方網(wǎng)站產(chǎn)品宣傳頁(yè)，或?qū)⒎抡鍭PP的二維碼植入到產(chǎn)品介紹手冊(cè)，為產(chǎn)品用戶(hù)展示產(chǎn)品的科學(xué)設(shè)計(jì)方式及產(chǎn)品性能，提供產(chǎn)品使用場(chǎng)景的仿真分析。
仿真APP賦能每一個(gè)工業(yè)品，助力企業(yè)提升產(chǎn)品競(jìng)爭(zhēng)力。仿真APP賦能對(duì)接：www.simapps.com/v2/ad/app
四、關(guān)于伏圖
伏圖（Simdroid）具備固體力學(xué)、流體力學(xué)、電動(dòng)力學(xué)、熱力學(xué)等通用求解器，支持多物理場(chǎng)耦合仿真。在統(tǒng)一友好的環(huán)境中為仿真工作者提供前處理、求解分析和后處理工具。同時(shí)，作為仿真PaaS平臺(tái)，其內(nèi)置的APP開(kāi)發(fā)器支持用戶(hù)以無(wú)代碼化的方式便捷封裝參數(shù)化仿真模型及仿真流程，將仿真知識(shí)、專(zhuān)家經(jīng)驗(yàn)轉(zhuǎn)化為可復(fù)用的仿真APP。
展開(kāi) 為什么要進(jìn)行傅立葉變換？
將頻譜移頻到圓心除了可以清晰地看出圖像頻率分布以外，還有一個(gè)好處，它可以分離出有周期性規(guī)律的干擾信號(hào)，比如正弦干擾，一副帶有正弦干擾，移頻到原點(diǎn)的頻譜圖上可以看出除了中心以外還存在以某一點(diǎn)為中心，對(duì)稱(chēng)分布的亮點(diǎn)集合，這個(gè)集合就是干擾噪音產(chǎn)生的，這時(shí)可以很直觀的通過(guò)在該位置放置帶阻濾波器消除干擾。
另外我還想說(shuō)明以下幾點(diǎn)：
1、圖像經(jīng)過(guò)二維傅立葉變換后，其變換系數(shù)矩陣表明： 若變換矩陣Fn原點(diǎn)設(shè)在中心，其頻譜能量集中分布在變換系數(shù)短陣的中心附近(圖中陰影區(qū))。若所用的二維傅立葉變換矩陣Fn的原點(diǎn)設(shè)在左上角，那么圖像信號(hào)能量將集中在系數(shù)矩陣的四個(gè)角上。這是由二維傅立葉變換本身性質(zhì)決定的。同時(shí)也表明一股圖像能量集中低頻區(qū)域。
2 、變換之后的圖像在原點(diǎn)平移之前四角是低頻，最亮，平移之后中間部分是低頻，最亮，亮度大說(shuō)明低頻的能量大（幅角比較大）。
六、一個(gè)關(guān)于實(shí)數(shù)離散傅立葉變換(Real DFT)的例子
先來(lái)看一個(gè)變換實(shí)例，一個(gè)原始信號(hào)的長(zhǎng)度是16，于是可以把這個(gè)信號(hào)分解9個(gè)余弦波和9個(gè)正弦波（一個(gè)長(zhǎng)度為N的信號(hào)可以分解成N/2+1個(gè)正余弦信號(hào)，這是為什么呢？
展開(kāi) 測(cè)量振動(dòng) | 解密關(guān)于振動(dòng)測(cè)量的基本概念
在實(shí)踐中，振動(dòng)信號(hào)通常由許多同時(shí)發(fā)生的頻率組成，因此我們不能僅通過(guò)觀察時(shí)間模式立即看出有多少分量以及它們發(fā)生在什么頻率。
這些分量可以通過(guò)
繪制振動(dòng)幅度與頻率的關(guān)系
來(lái)顯示。將振動(dòng)信號(hào)分解成各個(gè)頻率分量稱(chēng)為頻率分析，這種技術(shù)可被視為診斷振動(dòng)測(cè)量的基石。將振動(dòng)水平表示為頻率的函數(shù)的曲線(xiàn)圖稱(chēng)為
頻譜圖
。
當(dāng)對(duì)機(jī)器振動(dòng)做頻率分析時(shí)，我們通常會(huì)發(fā)現(xiàn)幾個(gè)顯著的周期頻率分量，這些頻率分量與機(jī)器各個(gè)部件的基本運(yùn)動(dòng)直接相關(guān)。因此，通過(guò)頻率分析，我們能夠追蹤到
不希望的振動(dòng)源
。
振動(dòng)從何而來(lái)？
在實(shí)際操作中，避免振動(dòng)是非常困難的。這通常是由于制造公差、間隙、機(jī)器部件之間的滾動(dòng)和摩擦接觸以及旋轉(zhuǎn)和往復(fù)構(gòu)件中的不平衡力的動(dòng)態(tài)效應(yīng)而發(fā)生的。通常，微小的不重要的振動(dòng)可以激發(fā)一些其他結(jié)構(gòu)部件的共振頻率，并被放大成主要的振動(dòng)和噪聲源。
不過(guò)，有些工作又需要利用機(jī)械振動(dòng)。例如，我們?cè)诓考o料機(jī)、混凝土壓實(shí)機(jī)、超聲波清潔槽、鑿巖機(jī)和打樁機(jī)中故意產(chǎn)生振動(dòng)。振動(dòng)試驗(yàn)機(jī)廣泛用于向產(chǎn)品和子組件施加受控水平的振動(dòng)能量，其中需要檢查它們的物理或功能響應(yīng)并確定它們對(duì)振動(dòng)環(huán)境的耐受性。
在所有振動(dòng)工作中，無(wú)論是在利用其能量的機(jī)器的設(shè)計(jì)中，還是在平穩(wěn)運(yùn)行的機(jī)械產(chǎn)品的制造和維護(hù)中，一個(gè)基本要求是
通過(guò)測(cè)量和分析獲得振動(dòng)的準(zhǔn)確描述
的能力。
量化振動(dòng)水平
振動(dòng)幅度
是描述振動(dòng)嚴(yán)重程度的特征，可以以幾種方式量化。圖中顯示了正弦波的峰峰值、峰值、平均值和RMS值之間的關(guān)系。
峰-峰值的價(jià)值在于它指示了
波的最大偏移
，這個(gè)量在例如評(píng)價(jià)機(jī)器部件的振動(dòng)位移對(duì)于最大應(yīng)力或機(jī)械間隙時(shí)非常關(guān)鍵。
展開(kāi) 
小波/時(shí)頻分析.
我們認(rèn)識(shí)一個(gè)信號(hào)，不僅需要了解信號(hào)包含的頻率，還需要明確頻率隨時(shí)間是如何變化的。尤其對(duì)于瞬態(tài)信號(hào)如敲擊聲等，傳統(tǒng)頻域分析方法傅里葉變換不能很好的分析瞬態(tài)信號(hào)，使用小波分析來(lái)處理瞬態(tài)信號(hào)，是一個(gè)不錯(cuò)的選擇。
某一時(shí)域信號(hào)，傅里葉變換和小波分析結(jié)果對(duì)比如圖1所示，比較兩張彩色圖可以得出如下結(jié)論：小波分析提供了更精確的時(shí)頻信息，并且時(shí)頻分辨率均優(yōu)于傅里葉變換結(jié)果。
圖1
傅里葉變換
傅里葉變換可以把一個(gè)時(shí)域信號(hào)分解成若干個(gè)正弦波的疊加，如圖2所示。
圖2
傅里葉變換中，信號(hào)時(shí)長(zhǎng)和頻域分辨率互為倒數(shù)?；榈箶?shù)關(guān)系導(dǎo)致時(shí)域分辨率高時(shí)，頻域分辨率低；頻域分辨率高時(shí)，時(shí)域分辨率低。
如圖3所示0.5s時(shí)域信號(hào)，信號(hào)觀察時(shí)長(zhǎng)選為0.02s時(shí)，時(shí)域分辨比較好，但頻域分辨率不好，等于1/0.02為50Hz；信號(hào)觀察時(shí)長(zhǎng)選為0.2s時(shí)，頻域分辨率1/0.2為5Hz，頻域分辨率改善很多，但時(shí)域分辨率變差了。
圖3
小波
時(shí)域信號(hào)可以分解成若干個(gè)正弦波的疊加，也可以分解成若干個(gè)小波的疊加。
展開(kāi) 233 基于matlab的多通道非負(fù)矩陣分解（MNMF）算法 ￥12.9
基于matlab的多通道非負(fù)矩陣分解（MNMF）算法。其能夠?qū)ふ业揭粋€(gè)非負(fù)矩陣W和一個(gè)非負(fù)矩陣H，滿(mǎn)足條件V=W*H,從而將一個(gè)非負(fù)的矩陣分解為左右兩個(gè)非負(fù)矩陣的乘積。使用EM準(zhǔn)則對(duì)混合信號(hào)進(jìn)行分解。程序已調(diào)通，可直接運(yùn)行。
為什么要進(jìn)行傅立葉變換？傅立葉變換有何意義？
將頻譜移頻到圓心除了可以清晰地看出圖像頻率分布以外，還有一個(gè)好處，它可以分離出有周期性規(guī)律的干擾信號(hào)，比如正弦干擾，一副帶有正弦干擾，移頻到原點(diǎn)的頻譜圖上可以看出除了中心以外還存在以某一點(diǎn)為中心，對(duì)稱(chēng)分布的亮點(diǎn)集合，這個(gè)集合就是干擾噪音產(chǎn)生的，這時(shí)可以很直觀的通過(guò)在該位置放置帶阻濾波器消除干擾。
另外我還想說(shuō)明以下幾點(diǎn)：
1、圖像經(jīng)過(guò)二維傅立葉變換后，其變換系數(shù)矩陣表明：
若變換矩陣Fn原點(diǎn)設(shè)在中心，其頻譜能量集中分布在變換系數(shù)短陣的中心附近(圖中陰影區(qū))。若所用的二維傅立葉變換矩陣Fn的原點(diǎn)設(shè)在左上角，那么圖像信號(hào)能量將集中在系數(shù)矩陣的四個(gè)角上。這是由二維傅立葉變換本身性質(zhì)決定的。同時(shí)也表明一股圖像能量集中低頻區(qū)域。
2 、變換之后的圖像在原點(diǎn)平移之前四角是低頻，最亮，平移之后中間部分是低頻，最亮，亮度大說(shuō)明低頻的能量大（幅角比較大）。
六、一個(gè)關(guān)于實(shí)數(shù)離散傅立葉變換(Real DFT)的例子
先來(lái)看一個(gè)變換實(shí)例，一個(gè)原始信號(hào)的長(zhǎng)度是16，于是可以把這個(gè)信號(hào)分解9個(gè)余弦波和9個(gè)正弦波（一個(gè)長(zhǎng)度為N的信號(hào)可以分解成N/2+1個(gè)正余弦信號(hào)，這是為什么呢？
展開(kāi) 淺析信號(hào)處理：人們認(rèn)識(shí)信號(hào)本質(zhì)的大飛躍
信號(hào)處理從最早的時(shí)域統(tǒng)計(jì)到Fourier變換的頻域分析，是人們認(rèn)識(shí)信號(hào)本質(zhì)的一次巨大飛躍，信號(hào)分析的角度從時(shí)域轉(zhuǎn)變到頻域。傅里葉真正得到廣泛應(yīng)用是在fft算法的出現(xiàn)后，關(guān)于Fourier變換理論，課程介紹的太多了，就不一一介紹了。
信號(hào)的傅里葉分析圖
下面，說(shuō)說(shuō)傅里葉變換的缺點(diǎn)，考慮下面一個(gè)信號(hào)s(t)：
信號(hào)s(t)，初始頻率較高，中間頻率較低，F(xiàn)ourier變換中包含了這些信息，但是卻無(wú)法指示高頻、低頻發(fā)生的時(shí)間。Fourier變換作為一個(gè)全局變換，天然的少了另一個(gè)維度（時(shí)域），如果將時(shí)間域信號(hào)比作一個(gè)平面中的物體的話(huà)，那么頻域信號(hào)也同樣是一個(gè)平面中的物體，只是給我們換了一個(gè)角度而已，而人們總是希望能對(duì)三維世界的物體更具有直觀了解。信號(hào)也一樣，工程人員總是想知道信號(hào)有哪些頻率，且這些頻率在何時(shí)產(chǎn)生，而這個(gè)需求就給分析方法提出了一個(gè)要求，必須多一個(gè)維度，也就是給出信號(hào)的時(shí)頻域信息。
需求促成技術(shù)的突破。這時(shí)短時(shí)傅里葉變換 (SIFT) 便出現(xiàn)了，這個(gè)信號(hào)分析帶來(lái)了時(shí)頻分析的概念，而其優(yōu)點(diǎn)是同時(shí)給了我們時(shí)間和頻率的信息。其方法的形象化的描述就是“把整個(gè)時(shí)域過(guò)程分解成無(wú)數(shù)個(gè)等長(zhǎng)的小過(guò)程，每個(gè)小過(guò)程近似平穩(wěn)，再做Fourier變換，就知道在哪個(gè)時(shí)間點(diǎn)上出現(xiàn)了什么頻率了?！边@就是短時(shí)傅里葉變換。時(shí)域上分成一段一段做FFT，不就知道頻率成分隨著時(shí)間的變化情況了嗎！用這樣的方法，可以得到一個(gè)信號(hào)的時(shí)頻圖了。
下面信號(hào)s(t) 被分解為4個(gè)時(shí)間段，其分別對(duì)應(yīng)的fft結(jié)果如下。這樣，我們可以知道在每段時(shí)間信號(hào)的頻率信息。
短時(shí)Fourier變換選Gauss窗函數(shù)一般被稱(chēng)為Gabor變換。
展開(kāi) 