CN113723200B - 一种非平稳信号的时频谱结构特征提取方法 - Google Patents
一种非平稳信号的时频谱结构特征提取方法 Download PDFInfo
- Publication number
- CN113723200B CN113723200B CN202110885481.9A CN202110885481A CN113723200B CN 113723200 B CN113723200 B CN 113723200B CN 202110885481 A CN202110885481 A CN 202110885481A CN 113723200 B CN113723200 B CN 113723200B
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- characteristic
- section
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- HCUOEKSZWPGJIM-YBRHCDHNSA-N (e,2e)-2-hydroxyimino-6-methoxy-4-methyl-5-nitrohex-3-enamide Chemical compound COCC([N+]([O-])=O)\C(C)=C\C(=N/O)\C(N)=O HCUOEKSZWPGJIM-YBRHCDHNSA-N 0.000 claims description 3
- 101100162200 Aspergillus parasiticus (strain ATCC 56775 / NRRL 5862 / SRRC 143 / SU-1) aflD gene Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 31
- 239000000284 extract Substances 0.000 description 4
- 238000000844 transformation Methods 0.000 description 3
- 241000238553 Litopenaeus vannamei Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Abstract
本发明涉及一种非平稳信号的时频谱结构特征提取方法,该方法采用所构造的特征截面函数对非平稳信号的三维时频谱结构进行特征分析。该方法引入位势特征截面函数,获得非平稳信号的位势特征截面图及二值切片图等图谱结构特征,显著地减少数据量、抑制干扰,有利于显著提升信号智能检测算法的效能;该方法通过位势特征截面的优选,可以使同类别非平稳信号的共性时频谱结构特征得到凸显、让信号的时频结构分布特征更为简明直观,可以显著提高信号智能检测的准确性、降低虚警误判的概率。该特征也有利于图像识别领域的成熟算法在非平稳信号时频谱智能检测中的推广应用;该方法对提高非平稳信号间的时间分辨能力也有益处。
Description
技术领域
本发明涉及随机信号检测领域,尤其是涉及一种对非平稳信号的时频谱结构特征的提取方法。
背景技术
非平稳信号是一种分布参数或者分布律随时间不断变化的信号,通常含有丰富的信息,在信息传递、监测等领域是一种应用普遍而重要的信号类型,生活中的语音、冲击振动、通信信号等等大部分都属于这类信号。
非平稳信号所承载的信息主要通过其信号强度在时域和频域的分布来体现,因此在信号检测过程中通常会采用时域分析、频域分析、时频联合分析方法,工程上多用相关函数与时变功率谱来描述。针对偶发、猝发、短时、瞬变以及微弱的非平稳信号,其信号特征提取和检测判别的难度大,通常采用时频联合分析的方法。
非平稳信号的时频分析方法主要有两种类,一类是短时傅里叶变换、小波变换、希尔伯特黄变换和其他相关优化型时频变换,变换方法均是利用窗函数局部时频处理,形成时频域谱图;但在信号背景干扰信号能量大的情况,微弱小信号的时频谱能量会被压制很小,甚至难以辨别。另一类是希尔伯特黄变换其他相关优化型变换,变换方法是基于经验模态分解进行时频参数分析,相对而言算法运算复杂效率不高。
时频分析的结果通常是时频谱图,比如语音分析的语谱图。时频谱图描述的是信号不同的频率成分其强度随频率的变化情况,是信号频谱成分时变的三维描述形式,信号所包含的信息则是以时频谱分布的结构特征体现其中。
现实信号检测过程中,所采集的信号会伴有复杂的背景和噪声干扰,通常单纯依靠时域和频域的分析往往很难达到对非平稳信号准确检测的目的,而时频谱图能够让信号与背景噪声的区分提供更丰富的信息也即更强的检测能力,然而含有背景和噪声的非平稳信号的时频谱图往往比较复杂多变而且信息量很大,因此采取信号特征提取等有效技术手段让信号从背景噪声中凸显出来,对于提高检测能力、抗干扰能力、降低虚警率具有重要意义。
发明内容
本发明提出的一种针对非平稳信号的时频谱结构特征提取方法,其目的就是在利用非平稳信号时频谱图进行信号检测和判别的时候,能够获得更高信噪比的时频分布信息即位势特征截面图、获得更简明的信号时频结构特征即位势特征二值切片图。该方法不仅能够显著提高对非平稳信号或过程的检测效率、准确率,还能显著降低计算量。
非平稳信号是指分布参数或者分布规律随时间发生变化的信号,例如:生物声信号、心电异常信号等。
本发明的目的可以通过以下技术方案来实现:
一种非平稳信号的时频谱结构特征提取方法,该方法采用所构造的特征截面函数对非平稳信号的三维时频谱结构进行特征分析。其特征在于,该方法包括以下步骤:
S1:利用时频谱分析算法计算获得所述非平稳信号的时频谱图,优选的分析算法采用短时傅里叶变换、小波变换、希尔伯特黄变换等,对所获时频谱图按强度进行归一化处理;
S2:根据信号特征提取的具体需求和目的、结合频谱强度时域分布的三维特征,设计构造位势特征截面函数;
S3:将位势特征截面函数施用于非平稳信号的时频谱图,截取并获得相应的位势特征截面图;
S4:对所获位势特征截面图进行二值化处理,可获得位势特征二值切片图。该方法引入位势特征截面函数,提取非平稳信号的位势特征截面图及二值切片图等图谱结构特征。
近一步地,所述的一种非平稳信号的时频谱结构特征提取方法,其特征在于,所述步骤S1中对非平稳信号的时频分析方法包含但不限于短时傅里叶时频变换、小波时频变换;可选的,对非平稳信号时频分析所获时频谱图按强度进行归一化处理。
近一步地,所述的一种非平稳信号的时频谱结构特征提取方法,其特征在于,所述步骤S1对非平稳信号短时滑动窗口时频分析,形成归一化三维时频谱后,所述检测提取方法的非平稳信号预处理完成,所述非平稳信号短时滑动窗口时频转换表达式为:
Non-signalTx(τ,f,P)=∫x(t)[γ·Y*(t-τ)]dt
Non-signalTx(τ,f,Pnor)=P/PMAX
式中,τ为短时平移系数,f为信号时域频率,P为信号短时能量,Pnor为归一化信号短时能量,PMAX为P最大能量,x(t)为非平稳信号,γ为窗函数因子,Y*(t)为设计自定义窗函数。所述设计自定义窗函数为Y*(t),需适用于多种时频谱变换(如:短时傅里叶变换、小波变换、希尔伯特黄变换等优化型时频变换)。
近一步地,所述的一种非平稳信号的时频谱结构特征提取方法,其特征在于,所述步骤S2中构造位势特征截面函数,根据三维时频谱的结构呈现的特征、以及信号检测的需要,引入设计构造的位势特征截面函数,不失一般性,位势特征截面函数为曲面函数,函数定义域与所述时频谱图一致,曲面函数各时频点对应的取值为截面函数的位势值;可选的,针对一种非平稳信号的时频谱结构特征提取可以根据需要构建一组位势特征截面函数,最终利用该方法获得一组对应不同的时频谱结构特征;可选的,位势特征截面函数可选为等位势的平面函数。函数根据特征检测和提取的精度、复杂性自定义选择,特征截面函数截取后的断面空间数据集作为下一步的检测提取输入。
近一步地,所述的一种非平稳信号的时频谱结构特征提取方法,其特征在于,所述步骤S3将位势特征截面函数施用于非平稳信号的时频谱图,截取并获得相应的位势特征截面图,即为使用步骤S2中引入设计构造的位势特征截面函数或函数组,对步骤S1所获时频谱图进行截取,所述具体截取过程包括以下步骤:
S31:根据非平稳信号三维时频谱选取有限N个目标时频特征点(τi,fi,,Pnori),0<τ<t,0<f<fmax,PMIN<Pnor<PMAX,i=1,2,3...N其中(τi,fi,,Pnori)为时频特征区域代表点值;
S32:根据目标时频特征点(τi,fi,,Pnori),结合需求设计自定义特征截面函数组,函数组设计公式如下:
S33:逐个目标时频特征点的计算函数组,获得位势特征截面。
S34:重复依次执行所述步骤S32和所述步骤S33,直至所述步骤S32中所有时频特征区域代表点N特征截面函数组结果计算完毕。
近一步地,所述的一种非平稳信号的时频谱结构特征提取方法,其特征在于,所述步骤S4对所获位势特征截面图进行二值化处理,特征截面函数截取后的断面空间二值化映射到二维时频谱图输出,所述具体输出过程包括以下步骤:
S41:把i=1时代入,特征截面函数截取特征点(τi=1,fi=1,,Pnor1)所在时频平面,时频平面中有M个特征截面断面:
S42:时频平面中的M个特征截面断面中,min[(τi=1×fi=1)M=1,2,3...N]取值最小,M=min时,进行断面空间二值化:
S43:把i=1,2,3...N逐个代入,按照S41和S42计算,并将各个特征截面断面空间二值化映射到二维时频谱图输出:
Non-signalTx(τ,f)=Non-signalTx=min[(τi=1,fi=1)∪(τi=2,fi=2)∪...(τi=N,fi=N)]
本发明的一种非平稳信号时频谱结构特征的检测提取方法,其特征在于,包括短时傅里叶时频变换、小波时频变换、希尔伯特变换及相关优化型时频变换,所述变换采用所述特征检测提取方法程序执行上所述的方法的步骤。
与现有技术相比,本发明具有以下优点:
(1)本发明为了解决实际生活场景中南美白对虾在水下发出非平稳声信号特征检测识别困难的问题,利用短时傅里叶变换、小波变换、希尔伯特黄变换等优化型时频变换对非平稳信号进行归一化三维时频谱图转换;根据三维时频谱的结构特征,设计构造位势特征截面函数;将位势特征截面函数代入非平稳信号检测提取算法中,将截断面特征经空间投影变换提取。对所获位势特征截面图进行二值化处理,可获得位势特征二值切片图。提取非平稳信号的位势特征截面图及二值切片图等图谱结构特征。
(2)本发明为了平衡信号不同频段能量特征表达不均匀问题,可通过选取特征点来设计位势特征截面函数,截取不同能量特征面。将信号时频域特征通过位势特征截面函数截取,检测方法可以使同类别非平稳信号的共性时频谱结构特征得到凸显、让信号的时频结构分布特征更为简明直观,可以显著提高信号智能检测的准确性、降低虚警误判的概率。该特征也有利于图像识别领域的成熟算法在非平稳信号时频谱智能检测中的推广应用;该方法对提高非平稳信号间的时间分辨能力也有益处。
附图说明
图1非平稳信号检测样本波形结构图;
图2特征检测提取方法-小波变换时频谱图;
图3特征检测提取方法-小波变换归一化三维时频谱图;
图4特征检测提取方法-自定义特征截面1函数图;
图5特征检测提取方法-特征截面时频过程图;
图6特征检测提取方法-自定义特征截面2函数图;
图7特征检测提取方法-特征截面二值时频谱图
图8本发明基于一种非平稳信号时频谱结构特征的检测提取方法流程图;
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
如图8所示,本实施例提供一种非平稳信号的时频谱结构特征提取方法,该方法采用所构造的特征截面函数对非平稳信号的三维时频谱结构进行特征分析。其特征在于,该方法包括以下步骤:
本实施例中的非平稳信号是南美白对虾水中发声信号,该信号可通过标准水听器感知采集,经信号预处理后提供给步骤S1。
S1:利用时频谱分析算法计算获得所述非平稳信号的时频谱图,优选的分析算法采用短时傅里叶变换、小波变换、希尔伯特黄变换等,对所获时频谱图按强度进行归一化处理;
S2:根据信号特征提取的具体需求和目的、结合频谱强度时域分布的三维特征,设计构造位势特征截面函数;
S3:将位势特征截面函数施用于非平稳信号的时频谱图,截取并获得相应的位势特征截面图;
S4:对所获位势特征截面图进行二值化处理,可获得位势特征二值切片图。该方法引入位势特征截面函数,提取非平稳信号的位势特征截面图及二值切片图等图谱结构特征。
检测提取方法包括短时傅里叶时频变换、小波时频变换及相关优化型时频变换的归一化三维时频谱图。所述归一化三维时频谱图可由多种时频变换得到,实现特征复用。
检测提取方法根据三维时频谱的结构呈现的特征,引入设计自定义特征截面函数组,函数根据特征检测和提取的精度、复杂性自定义选择,可采用平坦函数截面截断或曲面函数进行多起伏截面截断,特征截面函数截取后的断面空间数据集作为下一步的检测提取输入。
特征截面函数截取后的断面空间二值化映射到二维时频谱图输出。
下面对各部分进行具体描述。
1、非平稳信号片段时频谱转换
S11:将量化采集的实验信号时域分段截取,选取信号片段波形中存在非平稳信号波形的片段,如图1非平稳信号检测样本波形结构图所示,以此作为非平稳信号时频谱结构特征的检测样本信号。
S12:利用小波变换对非平稳信号片段进行时频转换:
式中,τ为短时平移系数,f为信号时域频率,P为信号短时能量,x(t)为非平稳信号,a,b和t均是连续变量,Y*(t)小波函数。非平稳信号片段进行时频转换结果如图2特征检测提取方法-小波变换时频谱图所示。
S13:对时频谱短时能量归一化处理,归一化三维时频谱表达式为:
Non-signalTx(τ,f,Pnor)=P/PMAX
式中,τ为短时平移系数,f为信号时域频率,Pnor为归一化信号短时能量,PMAX为P最大能量。归一化处理三维时频谱如图3特征检测提取方法-小波变换归一化三维时频谱图所示。
2、特征断面空间数据集
根据三维时频谱的结构呈现的特征、以及信号检测的需要,引入设计构造的位势特征截面函数,不失一般性,位势特征截面函数为曲面函数,函数定义域与所述时频谱图一致,曲面函数各时频点对应的取值为截面函数的位势值;可选的,针对一种非平稳信号的时频谱结构特征提取可以根据需要构建一组位势特征截面函数,最终利用该方法获得一组对应不同的时频谱结构特征;可选的,位势特征截面函数可选为等位势的平面函数。函数根据特征检测和提取的精度、复杂性自定义选择,特征截面函数截取后的断面空间数据集作为下一步的检测提取输入。
3、位势特征截面函数组
S31:根据非平稳信号三维时频谱选取有限N个目标时频特征点(τi,fi,,Pnori),0<τ<t,0<f<fmax,PMIN<Pnor<PMAX,i=1,2,3...N其中(τi,fi,,Pnori)为时频特征区域代表点值;
S32:根据目标时频特征点(τi,fi,,Pnori),结合需求设计自定义特征截面函数组,函数组设计公式如下:
S33:逐个目标时频特征点的计算函数组,获得位势特征截面。如图4特征检测提取方法-自定义特征截面1函数图所示,自定义特征截面1函数截面过程效果如图5特征检测提取方法-特征截面时频过程图所示。
S34:重复依次执行所述步骤S32和所述步骤S33,直至所述步骤S32中所有时频特征区域代表点N特征截面函数组结果计算完毕。如图6特征检测提取方法-自定义特征截面2函数图所示。
4、二值化二维时频谱图
S41:把i=1时代入,特征截面函数截取特征点(τi=1,fi=1,,Pnor1)所在时频平面,时频平面中有M个特征截面断面:
S42:时频平面中的M个特征截面断面中,min[(τi=1×fi=1)M=1,2,3...N]取值最小,M=min时,进行断面空间二值化:
S43:把i=1,2,3...N逐个代入,按照S41和S42计算,并将各个特征截面断面空间二值化映射到二维时频谱图输出,如图7特征检测提取方法-特征截面二值时频谱图所示,时频谱图可作为智能化图像识别处理样本数据:
Non-signalTx(τ,f)=Non-signalTx=min[(τi=1,fi=1)∪(τi=2,fi=2)∪...(τi=N,fi=N)]
本发明的一种非平稳信号时频谱结构特征的检测提取方法,其特征在于,包括短时傅里叶时频变换、小波时频变换、希尔伯特变换及相关优化型时频变换,所述变换采用所述特征检测提取方法程序执行的方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (3)
1.一种非平稳信号的时频谱结构特征提取方法,其特征在于,该方法采用所构造的特征截面函数对非平稳信号的三维时频谱结构进行特征分析;
该方法包括以下步骤:
S1:利用时频谱分析算法计算获得所述非平稳信号的时频谱图,对所获时频谱图按强度进行归一化处理;
S2:根据信号特征提取的具体需求和目的、结合频谱强度时域分布的三维特征,设计构造位势特征截面函数;
S3:将位势特征截面函数施用于非平稳信号的时频谱图,截取并获得相应的位势特征截面图;
S4:对所获位势特征截面图进行二值化处理,可获得位势特征二值切片图;
所述步骤S1对非平稳信号短时滑动窗口时频分析,形成归一化三维时频谱后,非平稳信号预处理完成,所述非平稳信号短时滑动窗口时频转换表达式为:
Non-signalTx(τ,f,P)=∫x(t)[γ·Y*(t-τ)]dt
Non-signalTx(τ,f,Pnor)=P/PMAX
式中,τ为短时平移系数,f为信号时域频率,P为信号短时能量,Pnor为归一化信号短时能量,PMAX为P最大能量,x(t)为非平稳信号,γ为窗函数因子,Y*(t)为设计自定义窗函数;
所述设计自定义窗函数为Y*(t),适用于短时傅里叶变换、小波变换、希尔伯特黄变换的优化型时频变换;
所述步骤S3将位势特征截面函数施用于非平稳信号的时频谱图,截取并获得相应的位势特征截面图,即为使用步骤S2中引入设计构造的位势特征截面函数或函数组,对步骤S1所获时频谱图进行截取,具体截取过程包括以下步骤:
S31:根据非平稳信号三维时频谱选取有限N个目标时频特征点(τi,fi,,Pnori),0<τ<t,0<f<fmax,PMIN<Pnor<PMAX,i=1,2,3...N其中(τi,fi,,Pnori)为时频特征区域代表点值;
S32:根据目标时频特征点(τi,fi,,Pnori),结合需求设计自定义特征截面函数组,函数组设计公式如下:
S33:逐个目标时频特征点的计算函数组,获得位势特征截面;
S34:重复依次执行所述步骤S32和所述步骤S33,直至所述步骤S32中所有时频特征区域代表点N特征截面函数组结果计算完毕;
所述步骤S4对所获位势特征截面图进行二值化处理,特征截面函数截取后的断面空间二值化映射到二维时频谱图输出,具体输出过程包括以下步骤:
S41:把i=1时代入,特征截面函数截取特征点(τi=1,fi=1,,Pnor1)所在时频平面,时频平面中有M个特征截面断面:
S42:时频平面中的M个特征截面断面中,min[(τi=1×fi=1)M=1,2,3...N]取值最小,M=min时,进行断面空间二值化:
S43:把i=1,2,3...N逐个代入,按照S41和S42计算,并将各个特征截面断面空间二值化映射到二维时频谱图输出:
Non-signalTx(τ,f)=Non-signalTx=min[(τi=1,fi=1)∪(τi=2,fi=2)∪...(τi=N,fi=N)]。
2.根据权利要求1所述的一种非平稳信号的时频谱结构特征提取方法,其特征在于,所述步骤S1中对非平稳信号的时频分析方法包含但不限于短时傅里叶时频变换、小波时频变换;可选的,对非平稳信号时频分析所获时频谱图按强度进行归一化处理。
3.根据权利要求1所述的一种非平稳信号的时频谱结构特征提取方法,其特征在于,所述步骤S2中构造位势特征截面函数,根据三维时频谱的结构呈现的特征、以及信号检测的需要,引入设计构造的位势特征截面函数,不失一般性,位势特征截面函数为曲面函数,函数定义域与所述时频谱图一致,曲面函数各时频点对应的取值为截面函数的位势值;
针对一种非平稳信号的时频谱结构特征提取根据需要构建一组位势特征截面函数,最终利用该方法获得一组对应不同的时频谱结构特征;
位势特征截面函数选为等位势的平面函数;
所述位势特征截面函数为曲面函数根据特征检测和提取的精度、复杂性自定义选择,特征截面函数截取后的断面空间数据集作为下一步的检测提取输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110885481.9A CN113723200B (zh) | 2021-08-03 | 2021-08-03 | 一种非平稳信号的时频谱结构特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110885481.9A CN113723200B (zh) | 2021-08-03 | 2021-08-03 | 一种非平稳信号的时频谱结构特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723200A CN113723200A (zh) | 2021-11-30 |
CN113723200B true CN113723200B (zh) | 2024-01-12 |
Family
ID=78674673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110885481.9A Active CN113723200B (zh) | 2021-08-03 | 2021-08-03 | 一种非平稳信号的时频谱结构特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723200B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5845241A (en) * | 1996-09-04 | 1998-12-01 | Hughes Electronics Corporation | High-accuracy, low-distortion time-frequency analysis of signals using rotated-window spectrograms |
US6115684A (en) * | 1996-07-30 | 2000-09-05 | Atr Human Information Processing Research Laboratories | Method of transforming periodic signal using smoothed spectrogram, method of transforming sound using phasing component and method of analyzing signal using optimum interpolation function |
EP1462778A1 (de) * | 2003-03-26 | 2004-09-29 | Ford Global Technologies, LLC | Verfahren und Vorrichtung zur quantitativen Analyse von Motorgeräuschen |
WO2005114651A1 (de) * | 2004-05-07 | 2005-12-01 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und verfahren zum analysieren eines informationssignals |
CN104749432A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于聚焦s变换的多分量非平稳信号瞬时频率估计方法 |
CN109239551A (zh) * | 2018-09-13 | 2019-01-18 | 国网湖南省电力有限公司 | 基于Chirplet变换的局部放电信号时域特征提取方法 |
CN111366978A (zh) * | 2020-04-29 | 2020-07-03 | 中国海洋石油集团有限公司 | 一种基于多次挤压小波变换的地震时频分析方法及系统 |
CN111912521A (zh) * | 2020-08-17 | 2020-11-10 | 湖南五凌电力科技有限公司 | 一种非平稳信号的频率检测方法和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9239372B2 (en) * | 2012-09-13 | 2016-01-19 | Raytheon Company | Extracting spectral features from a signal in a multiplicative and additive noise environment |
-
2021
- 2021-08-03 CN CN202110885481.9A patent/CN113723200B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6115684A (en) * | 1996-07-30 | 2000-09-05 | Atr Human Information Processing Research Laboratories | Method of transforming periodic signal using smoothed spectrogram, method of transforming sound using phasing component and method of analyzing signal using optimum interpolation function |
US5845241A (en) * | 1996-09-04 | 1998-12-01 | Hughes Electronics Corporation | High-accuracy, low-distortion time-frequency analysis of signals using rotated-window spectrograms |
EP1462778A1 (de) * | 2003-03-26 | 2004-09-29 | Ford Global Technologies, LLC | Verfahren und Vorrichtung zur quantitativen Analyse von Motorgeräuschen |
WO2005114651A1 (de) * | 2004-05-07 | 2005-12-01 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und verfahren zum analysieren eines informationssignals |
CN104749432A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于聚焦s变换的多分量非平稳信号瞬时频率估计方法 |
CN109239551A (zh) * | 2018-09-13 | 2019-01-18 | 国网湖南省电力有限公司 | 基于Chirplet变换的局部放电信号时域特征提取方法 |
CN111366978A (zh) * | 2020-04-29 | 2020-07-03 | 中国海洋石油集团有限公司 | 一种基于多次挤压小波变换的地震时频分析方法及系统 |
CN111912521A (zh) * | 2020-08-17 | 2020-11-10 | 湖南五凌电力科技有限公司 | 一种非平稳信号的频率检测方法和存储介质 |
Non-Patent Citations (2)
Title |
---|
基于非平稳信号时频分析的网络攻击检测算法;朱亚东;高翠芳;;计算机应用与软件(03);全文 * |
强干扰下非平稳跳频信号高分辨测试技术研究;石鑫;;智能计算机与应用(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723200A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316653B (zh) | 一种基于改进的经验小波变换的基频检测方法 | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
Yao et al. | An adaptive seismic signal denoising method based on variational mode decomposition | |
CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
CN108663576A (zh) | 一种复杂环境下微弱电磁红信号检测方法 | |
CN116153329A (zh) | 一种基于cwt-lbp的声音信号时频纹理特征提取方法 | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
Jin et al. | Offshore ship recognition based on center frequency projection of improved EMD and KNN algorithm | |
CN117388835B (zh) | 一种多拼融合的声雷达信号增强方法 | |
CN113723200B (zh) | 一种非平稳信号的时频谱结构特征提取方法 | |
CN111597873B (zh) | 一种基于支持向量数据描述的超短波威胁信号感知方法 | |
CN107576387B (zh) | 一种基于声纹多谐波识别的无人机检测方法 | |
Li et al. | Magnetotelluric signal-noise separation method based on SVM–CEEMDWT | |
CN104698091B (zh) | 一种基于量化信息熵的一维构件应力波信号奇异点检测的方法 | |
Limin et al. | Low probability of intercept radar signal recognition based on the improved AlexNet model | |
CN116449328A (zh) | 基于时频分析特征融合的雷达工作模式识别方法及系统 | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
CN109541567A (zh) | 基于深度学习的高速机动目标检测方法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
Li et al. | Interference classification and identification of TDCS based on improved convolutional neural network | |
Ni et al. | Polyphase-modulated radar signal recognition based on time-frequency amplitude and phase features | |
CN106896404A (zh) | 薄储层的识别方法及装置 | |
Yu et al. | A new method for radar emitter individual identification based on VMD and multi-image feature combination | |
CN112649865B (zh) | 基于特征子波的火山岩储层识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |