参数化重采样时频变换(PRTF变换)附matlab代码

简介: 参数化重采样时频变换(PRTF变换)附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

许多信号包含多个具有时变瞬时频率 (IF) 的分量,这些分量具有共同的轨迹趋势,例如机械振动信号、语音信号和生物医学信号。为了分析此类信号并实现高时频分辨率,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。采用一般参数化时频变换(GPTF变换)的思想,我们使用参数化核来表示重采样函数,并进一步构造时变和时不变重采样算子来消除中频变化并重新定位中频位置。这些算子可以同时提高时频表示(TFR)中多个分量的能量集中度。

核心代码

%   Numerical example for W-PRTF transformclcclearclose all%% InitializeSampFreq = 5000;t = 0:1/SampFreq:1;RTF = 200*(1.5+sin(10*t)+sin(30*t)/3+sin(50*t)/5+sin(70*t)/7);phase = 200*(1.5*t-cos(10*t)/10-cos(30*t)/9/10-cos(50*t)/25/10-cos(70*t)/49/10);R = [(1:-0.1:0)';zeros(11,1)];G = [(1:-0.1:0)';(0:0.1:1)'];B = [ones(11,1);(1:-0.05:0.5)'];map = [R G B];%% Generate the signalSig = 0;for i = 1:6    Sig = Sig + cos(2*pi*(0.6+i*0.4*phase));end%% Waveformfigureset(gcf,'Position',[20 100 320 250]);      set(gcf,'Color','w'); plot(t,Sig,'linewidth',0.5,'color','b');xlabel('Time (Sec)','FontSize',12,'FontName','Times New Roman');ylabel('Amplitude','FontSize',12,'FontName','Times New Roman');set(gca,'FontSize',12)set(gca,'linewidth',1);axis([0 1 -8 8])%% Short-time frequency transformfigure[Spec,f] = STFT(Sig',SampFreq,1024,1024);imagesc(t,f,Spec); colormap(map)axis([0 t(end) 0 1500]);set(gcf,'Position',[20 100 320 250]);   xlabel('Time (Sec)','FontSize',12,'FontName','Times New Roman');ylabel('Frequency (Hz)','FontSize',12,'FontName','Times New Roman');set(gca,'YDir','normal')set(gca,'FontSize',12);set(gcf,'Color','w');%% Parameterized resampling time-frequency transform with Fourier Series kernelfigurecoef = [10 1.5 0 0 0 0 0 0 0 1 0 1/3 0 1/5 0 1/7];[Spec,f] = W_PRTFtransform(Sig',SampFreq,coef,1024);%[Spec,f] = W_PRTFtransform2(Sig',SampFreq,coef,1024,0.99);imagesc(t,f,abs(Spec)); colormap(map)axis([0 1 0 1500]);set(gcf,'Position',[20 100 320 250]);   xlabel('Time (Sec)','FontSize',12,'FontName','Times New Roman');ylabel('Frequency (Hz)','FontSize',12,'FontName','Times New Roman');set(gca,'YDir','normal')set(gca,'FontSize',12);set(gcf,'Color','w');

⛄ 运行结果


⛄ 参考文献

T. Li, Z. Peng, H. Xu and Q. He, "Parameterized domain mapping for order tracking of rotating machinery," in IEEE Transactions on Industrial Electronics, 2022, doi: 10.1109/TIE.2022.3201311

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合



相关文章
|
11月前
|
C语言
【C语言程序设计——入门】基本数据类型与表达式(头歌实践教学平台习题)【合集】
这份文档详细介绍了编程任务的多个关卡,涵盖C语言的基础知识和应用。主要内容包括: 1. **目录**:列出所有关卡,如`print函数操作`、`转义字符使用`、`数的向上取整`等。 2. **各关卡的任务描述**:明确每关的具体编程任务,例如使用`printf`函数输出特定字符串、实现向上取整功能等。 3. **相关知识**:提供完成任务所需的背景知识,如格式化输出、算术运算符、关系运算符等。 4. **编程要求**:给出具体的代码编写提示。 5. **测试说明**:包含预期输入输出,帮助验证程序正确性。 6. 文档通过逐步引导学习者掌握C语言的基本语法和常用函数,适合初学者练习编程技能。
278 1
|
存储 人工智能 自然语言处理
AI经营|多Agent择优生成商品标题
商品标题中关键词的好坏是商品能否被主搜检索到的关键因素,使用大模型自动优化标题成为【AI经营】中的核心能力之一,本文讲述大模型如何帮助商家优化商品素材,提升商品竞争力。
1314 62
AI经营|多Agent择优生成商品标题
|
12月前
|
文字识别 数据可视化 Serverless
阿里云多模态数据信息提取解决方案评测报告
本文基于阿里云多模态数据信息提取解决方案,对其进行全面评测。该方案利用百炼大模型等技术,支持文本、图像、音频和视频处理,显著提升效率并降低成本。体验中,文本和图片信息提取功能表现出色,部署便捷且准确率高。优势包括易用性、多模态支持和高性价比,但文档完善性和模型定制性等方面仍有提升空间。建议增强模型可定制性、跨模态融合能力及丰富文档案例,以进一步优化用户体验。
413 6
|
机器学习/深度学习 算法 前端开发
集成学习(Ensemble Learning)是一种机器学习技术,它通过将多个学习器(或称为“基学习器”、“弱学习器”)的预测结果结合起来,以提高整体预测性能。
集成学习(Ensemble Learning)是一种机器学习技术,它通过将多个学习器(或称为“基学习器”、“弱学习器”)的预测结果结合起来,以提高整体预测性能。
|
存储 数据挖掘 数据处理
【python源码解析】深入 Pandas BlockManager 的数据结构和初始化过程
【python源码解析】深入 Pandas BlockManager 的数据结构和初始化过程
|
JavaScript Java 测试技术
基于SpringBoot+Vue+uniapp的汽车销售系统的详细设计和实现(源码+lw+部署文档+讲解等)
基于SpringBoot+Vue+uniapp的汽车销售系统的详细设计和实现(源码+lw+部署文档+讲解等)
159 1
|
存储 编解码 JavaScript
Google Earth Engine(GEE)——GEE最全介绍(7000字长文)初学者福音!
Google Earth Engine(GEE)——GEE最全介绍(7000字长文)初学者福音!
3040 0
Google Earth Engine(GEE)——GEE最全介绍(7000字长文)初学者福音!
|
网络协议 关系型数据库 MySQL
MySQL报ERROR 2002 (HY000)解决
通过上述步骤,可以有效地解决MySQL连接时出现的 `ERROR 2002 (HY000)`错误。这些步骤包括检查和启动MySQL服务、配置文件检查、套接字文件检查、日志文件分析、进程检查、防火墙设置、客户端配置和最终的MySQL重装。确保每个步骤都按顺序执行,有助于快速定位和解决问题,使MySQL服务器恢复正常运行。
8732 0
|
存储 关系型数据库 数据库
关系型数据库文件方式存储LOG FILE(日志文件)
【5月更文挑战第11天】关系型数据库文件方式存储LOG FILE(日志文件)
559 1

热门文章

最新文章