💥 💥 💞 💞 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
📚2 运行结果
🎉3 参考文献
🌈4 Matlab代码实现
💥1 概述
奇异频谱分析（SSA）是一种信号分解技术，旨在将信号扩展为可解释且具有物理意义的组件（例如，正弦波，噪声等）。本文介绍了SSA可分离性的新理论和实践结果，并介绍了一种滑动SSA的新方法。首先，将SSA与无监督分类算法相结合，提供了一种全自动的数据驱动的成分提取方法，我们在理论研究中研究了组分分离的局限性。其次，采用详细的自动SSA方法设计了一种基于滑动分析窗口的方法，在分析具有时变分量的非平稳信号时，该方法比经典SSA方法提供了更好的结果。最后，将所提出的滑动SSA方法与经验模态分解和同步挤压短时傅里叶变换进行了比较，该方法应用于合成信号和真实信号。
📚2 运行结果
部分代码：
function value = RQF(s, s_hat) % function value = RQF(s, s_hat) % % Compute the Reconstruction Quality Function expressed in dB % and defined by 10 log10(|s|^2 / |s-s_hat|^2) % % INPUT: % s: Reference signal % s_hat: Estimated signal value=20*log10(norm(s)/norm(s-s_hat)); end function value = RQF(s, s_hat) % function value = RQF(s, s_hat) % % Compute the Reconstruction Quality Function expressed in dB % and defined by 10 log10(|s|^2 / |s-s_hat|^2) % % INPUT: % s: Reference signal % s_hat: Estimated signal value=20*log10(norm(s)/norm(s-s_hat)); end
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]Jinane Harmouche, Dominique Fourer, Francois Auger, Pierre borgnat, Patrick Flandrin (2017) The Sliding Singular Spectrum Analysis: a Data-Driven Non-Stationary Signal Decomposition Tool
