Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

時間-周波数解析

スペクトログラム、シンクロスクイージング、再割り当て、Wigner-Ville、時間-周波数周辺、データ適応法

Signal Processing Toolbox™ では、非定常信号の時間-周波数成分の可視化および比較が可能になる関数とアプリを用意しています。短時間フーリエ変換とその逆を計算します。再割り当てまたはフーリエ シンクロスクイージングを行い、シャープなスペクトル推定を取得します。クロス スペクトログラム、Wigner-Ville 分布、およびパーシステンス スペクトルをプロットします。時間-周波数リッジを抽出および追跡します。瞬時周波数、瞬時帯域幅、スペクトル尖度、およびスペクトル エントロピーを推定します。経験的または変分的モード分解とヒルベルト・ファン変換を使用して、データ適応型時間-周波数解析を実行します。

アプリ

信号アナライザー複数の信号とスペクトルの可視化および比較
信号ラベラー対象となる信号の属性、領域および点へのラベル付け

関数

すべて展開する

fsstフーリエ シンクロスクイーズド変換
ifsst逆フーリエ シンクロスクイーズド変換
instbwEstimate instantaneous bandwidth
instfreq瞬時周波数の推定
kurtogramスペクトル尖度の可視化
pkurtosis信号またはスペクトログラムからのスペクトル尖度
pentropy信号のスペクトル エントロピー
pspectrum周波数領域および時間-周波数領域内の信号の解析
spectrogram短時間フーリエ変換を使用したスペクトログラム
xspectrogram短時間フーリエ変換を使用したクロス スペクトログラム
stft短時間フーリエ変換
dlstftDeep learning short-time Fourier transform
stftLayerShort-time Fourier transform layer
stftmag2sigSTFT 振幅からの信号の再構成
iscolaウィンドウ-オーバーラップの組み合わせが COLA 準拠かどうかを決定します。
istft逆短時間フーリエ変換
tfridge時間-周波数リッジ
wvdWigner-Ville 分布と平滑化疑似 Wigner-Ville 分布
xwvd交差 Wigner-Ville 分布と交差平滑化疑似 Wigner-Ville 分布
emd経験的モード分解
vmd変分的モード分解
hhtヒルベルト・ファン変換

トピック

  • 時間-周波数ギャラリー

    Signal Processing Toolbox により提供される時間-周波数解析関数の機能と制限を確認します。

  • Practical Introduction to Continuous Wavelet Analysis (Wavelet Toolbox)

    This example shows how to perform and interpret continuous wavelet analysis. The example helps you answer common questions such as: What is the difference between continuous and discrete wavelet analysis? Why are the frequencies, or scales in continuous wavelet analysis logarithmically spaced? In what types of signal analysis problems are continuous wavelet techniques particularly useful?

  • FFT による時間-周波数解析

    線形 FM 信号のスペクトログラムを表示します。

  • 複素チャープの瞬時周波数

    フーリエ シンクロスクイーズド変換を使用して、信号の瞬時周波数を計算します。

  • 近接した正弦波の検出

    フーリエ シンクロスクイーズド変換を使用して、2 つの正弦波の瞬時周波数を計算します。2 つの正弦波を分解するための変換には、これらがどのくらい離れていなければならないかを決定します。

  • Radar and Communications Waveform Classification Using Deep Learning (Phased Array System Toolbox)

    This example shows how to classify radar and communications waveforms using the Wigner-Ville distribution (WVD) and a deep convolutional neural network (CNN).

  • Pedestrian and Bicyclist Classification Using Deep Learning (Radar Toolbox)

    Classify pedestrians and bicyclists based on their micro-Doppler characteristics using a deep learning network and time-frequency analysis.