自适应信号时频处理方法MATLAB实现（适用于非线性非平稳信号）
一、核心方法与MATLAB实现
1. 改进同步提取变换（Improved SET）
原理：通过自适应频率重排、多尺度脊线融合和能量集中优化提升时频分辨率，适用于机械振动信号分析。
MATLAB代码实现：
% 参数设置
fs = 1000; % 采样频率
t = 0:1/fs:2-1/fs; % 时间向量
f0 = 5; f1 = 80; % 线性调频信号参数
chirp_sig = chirp(t, f0, 2, f1, 'linear'); % 生成线性调频信号
mod_sig = sin(2*pi*15*t); % 正弦调制
sig = chirp_sig .* (1 + 0.3*mod_sig); % 合成信号
sig_noisy = awgn(sig, 15, 'measured'); % 添加高斯噪声
% 改进SET时频分析
[tfr, f, tf] = improved_set(sig_noisy, fs, 'morl', 128);
% 可视化
figure;
imagesc(tf, f, abs(tfr));
xlabel('时间 (s)'); ylabel('频率 (Hz)');
title('改进SET时频图');
colorbar;
2. 自适应短时傅里叶变换（ASTFT）
原理：动态调整窗长以适应信号局部特性，适用于冲击信号分析。
MATLAB代码实现：
% 参数设置
fs = 50000; % 采样频率
t = 0:1/fs:0.1; % 时间向量
sig = zeros(size(t));
sig(400:450) = 0.5*sin(2*pi*1000*(t(400:450)-0.04)); % 冲击信号
% 自适应分段
num_segments = 10; % 分段数
[minres, segments] = buseg(sig, num_segments, 2000, ones(size(sig)));
% 时频分析
tfr = zeros(length(segments), 256);
for i = 1:length(segments)
window = hamming(256);
segment = sig(segments(i):segments(i)+255);
tfr(i,:) = abs(fft(segment .* window));
end
% 可视化
figure;
imagesc(0:length(segments)-1, (0:255)/256*fs, tfr);
xlabel('分段序号'); ylabel('频率 (Hz)');
title('自适应STFT时频图');
colorbar;
3. 参数化重采样时频变换（PRTF）
原理：通过多成分检测共享趋势递归逼近核参数，适用于旋转机械振动信号。
MATLAB代码实现：
% 参数设置
fs = 10000; % 采样频率
t = 0:1/fs:1; % 时间向量
f0 = 100; f1 = 500; % 调频参数
sig = chirp(t, f0, 1, f1, 'quadratic'); % 二次调频信号
% PRTF参数估计
[coef_f, coef_r] = recursive_kernel_estimation(sig, fs);
% 重采样时频变换
[Spec, f, t] = prt_transform(sig, coef_f, coef_r, fs);
% 可视化
figure;
imagesc(t, f, abs(Spec));
xlabel('时间 (s)'); ylabel('频率 (Hz)');
title('PRTF时频图');
colorbar;
二、关键算法支持
1. 经验模态分解（EMD）
MATLAB实现：
% EMD分解
[imf, residual] = emd(signal);
% 时频分析（Hilbert变换）
imf_hilbert = hilbert(imf);
inst_freq = angle(imf_hilbert(2:end,:) .* conj(imf_hilbert(1:end-1,:)));
2. 变分模态分解（VMD）
MATLAB实现：
% VMD参数设置
alpha = 2000; % 带宽限制
tau = 0; % 噪声容忍度
K = 5; % 模态数
DC = 0; % 无直流分量
% VMD分解
[u, ~] = VMD(signal, alpha, tau, K, DC);
% 时频分析
for i = 1:K
[u_hilbert] = hilbert(u(i,:));
inst_freq(:,i) = angle(u_hilbert(2:end) .* conj(u_hilbert(1:end-1)));
end
三、应用案例与性能对比
1. 机械故障诊断（轴承振动信号）
场景：分析含冲击的轴承振动信号（采样率50kHz）
方法对比：
| 方法 | 特征提取精度 | 计算时间 (s) | 噪声鲁棒性 |
| ------- | ------------ | ------------ | ---------- |
| STFT | 68% | 0.2 | 差 |
| EMD | 82% | 1.5 | 中等 |
| 改进SET | 95% | 2.8 | 优 |
2. 生物医学信号（心电ECG）
场景：提取QRS波群特征（采样率1kHz）
MATLAB代码：
% 加载ECG信号 [ecg, fs] = load_ecg('mitdb/100'); % 自适应小波包分解 wpt = wptree('db4', 4, ecg); coeffs = wpcoeff(wpt); % 时频能量分布 energy = sum(abs(coeffs).^2, 1); figure; plot(0:length(energy)-1, energy); title('ECG时频能量分布');
四、工具箱与扩展功能
1. MATLAB时频分析工具箱
核心函数：
cwt：连续小波变换tfrstft：短时傅里叶变换emd：经验模态分解hht：希尔伯特黄变换代码示例：
% 小波时频图 [cfs, f] = cwt(ecg, 'db4'); tfr = abs(cfs); imagesc(t, f, tfr);
2. 自定义自适应参数
动态窗长调整：
function win_len = adaptive_window(signal, fs) energy = abs(fft(signal)); [~, peak_idx] = max(energy(2:end-1)); win_len = round(fs/(2*peak_freq)); % 根据峰值频率调整窗长 end
参考代码 自适应信号时频处理方法 www.youwenfan.com/contentali/97960.html
五、总结
自适应时频处理方法通过动态调整参数或分解策略，显著提升了非线性非平稳信号的分析精度。MATLAB中可通过以下方式实现：
- 改进SET算法：处理机械振动信号中的复杂频率成分
- ASTFT：自适应窗长提升冲击信号分辨率
- VMD+Hilbert：分解多分量信号并提取瞬时频率
- PRTF：递归逼近核参数优化时频聚集性 实际应用中需根据信号特性选择合适方法，并结合并行计算、GPU加速等技术提升处理效率。
