搜索资源列表
matlab
- matlab非平稳信号噪声消除 小波变换与傅里叶变换对比
EMD-Toolbox
- EMD的Toolbox及使用方法 经验模态分解（Empirical Mode Decomposition, 简称EMD）是由美国NASA的黄锷博士提出的一种信号分析方法.它依据数据自身的时间尺度特征来进行信号分解, 无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点, EMD 方法在理论上可以应用于任何类型的信号的分解, 因而在处理非平稳及非线性数据上, 具有非常明显的优势。所以, EMD方法一经提出就在不同的
1231225251
- matlab非平稳信号噪声消除 小波变换-matlab denoise use wavelets
wavelet
- matlab下的小波消噪源程序，能较好的对非平稳信号进行滤波消噪-matlab source code under the wavelet denoising can be better to filter the non-stationary signal denoising
Stransform
- 对非平稳信号进行时频分析，分析结果比小波变换结果要好-Non-stationary signal in time-frequency analysis and the results are better than the wavelet transform results
wavelet
- 小波分析因其在处理非平稳信号中的独特优势而成为信号处理中的一个重要研究方向。如今随着小波理论体系的不断完善，小波以其时频局部化特性与多尺度特性在图像边缘检测领域中倍受青睐。-Wavelet analysis of nonstationary signal processing because of its unique advantage in signal processing and become an important research direction in. Now with th
signal-denoise
- 一种在非平稳环境下混沌信号的小波去噪方法，很适合用在实际场合中。-A non-stationary environment wavelet denoising method of chaotic signals, it is suitable for use in practical situations.
Wavelet-analysis
- 小波分析~语音识别 非平稳信号的处理 小波变换 谱分析-Wavelet analysis ~speech recognition
lly1
- 针对滚动轴承故障信号具有非平稳、非高斯的特点，提出了将时域分析与小波分析相结合的方法对滚动轴承进行故障诊断。在研究不同信号分析方法理论的基础上，以滚动轴承外圈故障振动信号为例，采用多种信号处理方法进行了分析。结果表明，各种分析方法在分析轴承故障时的特点各不相同，在实际使用中，可将时域分析与小波分析综合使用，实现轴承状态的实时监测与故障的准确定位。-For rolling bearing fault signals have non-stationary, non-Gaussian, we pro
wevelete_filters_test
- 利用小波消噪,对非平稳信号的噪声消除-Using wavelet denoising, noise elimination of non-stationary signals
RSSD
- 该代码针对滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点，为了有效提取故障特征，使用的一种共振稀疏分解（Resonance-based sparse signal decomposition，RSSD）与小波变换相结合的振动信号特征提取技术的相关仿真实验程序和轴承数据分解程序。其中，共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法，与常规的基于频带划分的信号分解方法不同，它依据信号各分量的振荡形态不同对信号进行分解。 同时还提供了可调谐 Q 因子小波
emd
- 该方法的关键是经验模式分解，它能使复杂信号分解为有限个本征模函数（Intrinsic Mode Function，简称IMF），所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化处理，然后进行希尔伯特变换获得时频谱图，得到有物理意义的频率。与短时傅立叶变换、小波分解等方法相比，这种方法是直观的、直接的、后验的和自适应的，因为基函数是由数据本身所分解得到。由于分解是基于信号序列时间尺度的局部特性，因此具有自适应性。(The key of thi
emd
- 经验模态分解（Empirical Mode Decomposition，EMD）是由 Huang等人于1998年提出的一种针对非线性、非平稳信号的自适应信号分解算法。自该方法提出以后便得到了学术界的广泛关注与研究，经过十几年的研究与发展，在理论方面EMD算法取得了进一步的完善。许多国内外学者也将该方法应用到了地球物理领域，并做了深度的研究与探索。与传统的基于Fourier变换的信号分析方法相比，EMD不仅突破了Fourier变换的局限性，而且不存在如小波变换一样需要预选小波基函数的问题，具有良好