短时傅里叶变换

摘要： 齿轮箱作为直升机重要的传动机构,其运转的可靠性对保障直升机系统安全具有重要的作用。针对传统信号处理需要大量专家经验来识别故障类型的不便性和复杂性,为了实现直升机齿轮箱故障诊断,本研究提出一种基于短时傅里叶变换和深度卷积神经网络的故障诊断方法。首先,将采集到的直升机齿轮箱振动信号利用短时傅里叶变换绘制时频图,以提取振动信号的时频特征;然后,利用深度卷积神经网络学习的前向传播和反向传播对不同故障类别的故障时频图进行训练,以建立不同类别与特征之间的深层联系;最后,训练好的模型可以完成对齿轮箱的故障诊断。结果表明,所提方法能够准确地识别齿轮箱的不同故障类型,准确率超过99%。

摘要： 随着人工智能技术的不断创新发展,语音识别技术一直在迭代升级,而语音去噪是语音识别领域中关键研究点之一。由于这些外界干扰声的存在,就使得原本的语音信号变得不再纯净,或多或少会对所需传输的语音信号有所影响。传统的信号分析以傅立叶变换为基础,但傅立叶分析属于全局变换,变换只能全部在时域变换或在频域变换。因此,傅里叶变换不能获取语音信号的时频局部性质,该变换不利于分析非平稳信号。为了更好地分析语音信号,该实验通过卷积神经网络对语音信号进行去噪处理,将处理完的信号逆向使用短时傅里叶变换,并分析结果。

摘要： 工作在2.4GHz频段的小型无人机遥控器信号普遍采用跳频通信模式,加大了对无人机遥控器信号的检测难度。针对当前无人机遥控器信号检测方法存在参数估计性能与算法复杂度间难以兼顾的缺点,论文基于频域互相关运算获得相邻采样数据段信号的频域相关性特征,进而实现对无人机跳频信号参数的估计。该方法不需要计算无人机遥控器信号的时频分布信息,大幅降低了计算量。同时,该方法避免了检测阈值,改善了信号特征参数估计性能。基于仿真数据对比了已有的两种跳频信号参数估计方法和所提方法的检测性能,测试结果证实了该方法在运算速度和参数估计精度方面均具有优势。当信噪比超过2dB时,所提方法的检测性能达到最佳饱和检测性能值。

摘要： 针对浅层机器学习方法应用于齿轮箱故障诊断故障识别率低的问题,提出一种基于短时傅里叶变换和卷积神经网络的齿轮箱智能故障诊断方法。对齿轮的振动信号进行短时傅里叶变换得到时频图并输入到CNN故障诊断模型,根据模型输出的结果给出齿轮箱的故障状态,从而实现齿轮箱的故障诊断。在齿轮箱动力学模拟实验台采集多种不同故障齿轮的振动信号进行实验验证。实验结果表明:该方法能有效识别齿轮的故障状态,故障诊断准确率能够达到100%。

摘要： 阐述一种利用超声波测量管路内油液压力的方法:使用专用调压设备向钢管中的液压油施加压力,利用中心频率4 MHz的宽带超声换能器在钢管外壁对管内的液压油进行探测并获取反射超声回波信号,然后利用短时傅里叶变换对不同压力下超声回波信号的时间-频率谱与相同压力下时间-幅值谱进行分析。结果表明:随着钢管内液压油承受压力的增加,超声声速变大,声衰减系数变大。对管路内油液压力与超声声速、声衰减系数的关系进行拟合后得到函数关系,可以通过测得的超声声速、声衰减系数反演得出液压油压力。

摘要： 提出了一种基于电压扰动数据挖掘的微电网保护方法。系统故障的发生与电压骤降有关,自适应累积和算法可以快速检测到电压骤降,其他非故障事件(如电机启动、变压器通电、电容器或重载开关)也可能导致电压下降。为了区分故障和非故障事件,利用短时傅里叶变换(STFT)对一个周期的电压波形进行预处理,提取并构造有效的扰动特征,然后在决策树(DT)中使用这些特征进行判别。所提出的保护方法在并网或孤岛模式以及径向或网状拓扑结构的故障或非故障条件下进行了测试。仿真研究表明,对于对称事件,只使用两个特征,对于非对称事件只使用6个特征,就可以准确地检测出任何故障。

摘要： 针对传统时频分析方法的固定窗在分析非线性调频信号时存在时频聚集性不高等问题,在短时傅里叶变换基础上引入同步压缩理论,利用信号的局部信息特征,提出一种窗口伸缩优化的时频同步压缩变换算法,并在此基础上推导出二阶及高阶的窗口伸缩优化的同步压缩变换算法。该方法能够兼顾同步压缩变换和重排的优势,进一步锐化时频脊线,从而增强时频表示的能量聚集水平,提高信号时频分辨率。鉴于信号的先验知识未知,以最小信息熵准则为依据对截取信号窗口进行伸缩优化,利用熵值对时变窗口参数进行估计从而确定各时刻的最优窗宽。仿真信号和实际信号分析结果验证了该方法的有效性。

摘要： 固定窗宽度的短时傅里叶变换(Short Time Fourier Transform,STFT)时频分辨率是固定的,难以对频率时变的椭圆球面波函数(Prolate Spheroidal Wave Functions,PSWFs)信号的时频分布特性进行全面分析。剖析了窗宽度对不同参数PSWFs信号STFT时频分布的影响,并提出了一种基于多窗宽度STFT的PSWFs信号时频分析方法。该方法基于PSWFs信号阶数、时间带宽积,计算PSWFs信号时域、频域零点间距离,根据零点间距离与STFT时频分辨率的关系,选取多个STFT窗宽度分别对PSWFs信号整体时频分布范围、时间轴方向的时频特征以及频率轴方向的时频特征进行分析。数值分析表明,相对于固定窗宽度的STFT,该方法兼顾时间分辨率与频率分辨率,能够更为全面地分析PSWFs信号整体时频分布范围情况以及时间轴方向与频率轴方向的时频特征情况。

摘要： 正弦辅助多元经验模式分解算法(SA-MEMD)通过在额外的通道中加入正弦辅助信号来减少模式混合,但该算法对噪声敏感,辅助信号的主频率比需要根据经验确定,为此,提出了一种改进的正弦辅助多元经验模式分解算法。首先使用非局部均值降噪对原始信号进行预处理,减少噪声对算法的干扰,其次使用短时傅里叶变换确定信号频谱范围,然后以最小集成EMD能量熵准则选择最优主频率比,最后根据正弦辅助多元经验模式分解算法的步骤进行信号处理。模拟信号和实际信号的对比分析结果证明,改进的方法可以减少传统的多元经验模式分解方法存在的模式混合现象。

摘要： 针对传统卷积神经网络自适应能力弱,难以适应变工况、少样本和类别不平衡等实际工业应用场景问题,提出了一种基于谱相关密度(SCD)和卷积神经网络(CNN)的轴承故障诊断SCD-CNN方法。该方法利用谱相关密度能有效提取轴承故障特征的能力,提高CNN的泛化能力。文章分析了SCD-CNN模型在变负载工况、少样本和类别不平衡(class imbalance)条件下模型的泛化性能,使用故障类型和非故障类型平衡率不同的样本数,对SCD-CNN模型进行干扰,模型在变负载工况下泛化性能良好;在少样本条件下,使用少量样本进行训练,就可获得较稳定的模型;在样本数据类别不平衡条件下,模型对少数类故障样本的识别能力较强。将SCD-CNN与STFT-CNN和CWT-CNN方法进行对比,结果表明:SCD-CNN的泛化性能良好,其性能优于STFT-CNN和CWT-CNN方法。

摘要： 短时傅里叶变换可获信号的时频瞬时振幅谱和时频初始相位谱,小波变换可获信号的时频瞬时振幅谱和时频瞬时相位谱.为更完整描述非平稳信号,可同时获得信号高精度的时频瞬时振幅谱、时频初始相位谱和时频瞬时相位谱,还可在此基础上构建时间相位域的振幅谱.本文提出一种改进的短时傅里叶变换,并基于短时傅里叶变换获得的高精度时频瞬时振幅谱、时频初始相位谱和时频瞬时相位谱,提出了时间相位域振幅谱属性.为减小噪声对上述四种属性的影响,提出利用高精度时频瞬时振幅谱的峰值及其对应的高精度时频瞬时相位谱重构信号,进一步提高其精度和稳定性.合成数据及实际三维地震数据应用效果验证了本文方法的有效性.

摘要： 在分析地震记录的过程中,经常要用到时频分析方法.短时傅里叶变换(STFT)是经常使用的时频分析方法.短时傅里叶变换是一种线性变换,该方法避免了其他高次的非平稳信号分析方法中出线的交叉项的干扰.而通过利用二维反褶积,将短时傅里叶变换改进为反褶积型短时傅里叶变换(DSTFT),可以将时频分析方法的分辨率显著提高.这种方法利用迭代过程,将信号的频率成分进行了更好的区分,不同频率成分混杂现象减弱,信号能量集中.本文最后对合成地震记录和有噪声的合成记录进行时频分析,来证实这种方法的有效性.

摘要： 分析频率响应法的扫频范围的选择对电力变压器绕组故障的检测影响,确定检测变压器绕组故障的最佳扫频范围.针对目前的频率响应法大部分都是离线测量,响应速度一般,脉冲频率响应法是解决上述问题的一个途径.脉冲频率响应法中激励信号和响应信号在时域中实现,频率响应曲线的获取大都采用快速傅里叶变换(FFT)进行转换,但此方法只适用于处理平稳信号,对暂态信号进行时频转换容易造成频谱泄露.短时傅里叶变换(STFT)是对快速傅里叶变换的一种改进算法,它是基于窗函数的变换,通过STFT算法对暂态信号处理实现在线准确测量绕组工作状态.对该方法进行仿真验证,最后对短时傅里叶变换,快速傅里叶变换获取的脉冲频率响应曲线以及扫频分析获取的正弦频率响应法(SFRA)得到的曲线进行了对比,进一步验证了处理暂态信号的优越性.

摘要： 探底雷达在道路无损检测上得到了广泛应用,但其解译难度较大,针对该问题提出了基于短时傅里叶变换(STFT)的目标识另别算法,对信号进行时频域分析,求得滚动谱,然后利用Otsu方法计算阈值进行二值化处理,利用标注连接分量的方法进行目标识别.实验结果表面该算法可以有效地识别探地雷达信号中的目标.

摘要： 针对Hilbert-Huang变换在估计信号瞬时频率时出现端点失真问题,提出了基于EMD和短时傅里叶变换的瞬时频率估计方法.该方法通过经验模态分解(Empirical Mode Decomposition,EMD)将一个多分量的非平稳信号分解为多个单分量信号IMF(Intrinsic Mode Function)之和,然后采用短时傅里叶变换对信号瞬时频率进行求取与估计.结果表明,该方法能够较为准确地估计非平稳信号的瞬时频率,有效解决Hilbert-Huang变换固有的端点失真问题.

摘要： 超声导波检测技术是无损检测和结构健康监测领域极具应用前景的新方法，也是当前研究的热点。然而，复杂的传播特性限制了其走向工程应用的步伐，其中，多模态问题是超声导波的突出问题之一。针对超声导波信号的瞬态、宽带、多模态等特点，提出了一种基于短时傅里叶变换的模态提取方法。首先，利用时频脊线准确的识别各个模态成分并计算各频率成分到达的群延迟，其次，针对脊重构的关键问题——加窗引起的能量泄露问题，提出了一种新的重构时宽的确定方法，实现了多模态信号成分的精确重构。

摘要： 宽带多载波通信环境具有信号中心频率与有效传输带宽不确定特性,因此,采用单频信号传输的摩尔斯报在宽带环境下的检测具有较高复杂度.针对传统人工检测与识别的局限性,提出采用短时傅里叶变换描述摩尔斯报时频特性,通过摩尔斯报规则并结合信号二维时频图像分布特征,实现基于图像内容特性的摩尔斯信号检测与识别.针对天线接收的复杂环境信号,该算法有较高的摩尔斯信号检测与识别率.

摘要： 暂态振荡是指在稳态条件下，电压、电流的非工频、有正负极性的突然变化现象。它是一种典型的暂态电压扰动问题，可能导致损坏电子设备、破坏运行设备的绝缘，从而影响整个电力系统的正常运行。本文分析了短时傅里叶变换不具有时频窗口自适应性与小波变换得不到暂态信号单个谐波频率和幅值的缺点,并结合两者检测方法的优点,提出了一种基于STFT与小波变换相结合的暂态振荡波形的改进型检测方法.该方法在利用多分辨率分析方法确定暂态振荡的发生时刻和主要频率范围,根据能量选择原理提取出空间中的暂态振荡高频信号的基础上,采用重心改进算法确定STFT的窗系数,有效地提高了STFT的精度,快速准确地得到了暂态振荡信号的频率成分和幅值,文中通过MATLAB仿真证明了该方法的有效性。

摘要： 在对轴承信号包络分析的过程中,滤波器参数的选择常常依赖于人们的经验.为了确定带通滤波器的最佳滤波频带,有效提取故障特征,将基于短时傅里叶变换的谱峭度分析方法用于轴承的故障诊断.首先应用短时傅里叶变换获得故障信号的时频分布,然后计算每个频带上的峭度获得峭度图,根据峭度图中峭度最大化原则确定最佳滤波频带.滤波后的信号结合包络分析方法,进行轴承故障的诊断.该方法应用于滚动轴承故障试验测试信号,有效地实现了轴承故障诊断.

摘要： 本文通过STFT评价不同滤波方法的去噪效果，为航空瞬变电磁信号选择合适的去噪方法提供依据以及窗函数法设计的有限冲激响应(FIR)滤波器中窗函数对该方法的影响。

摘要： 本发明公开的基于短时傅里叶变换和分数阶傅里叶变换的多目标检测方法属雷达目标探测技术领域，本方法首先利用短时傅里叶变换进行信号初步检测，然后采用二值化方法对初检结果进行处理，在处理中保留信号的相位信息，接着对短时傅里叶逆变换还原后的信号，采用分数阶傅里叶变换进行检测，采用多种方法进行联合处理的优点是可以克服强信号旁瓣对弱信号主瓣的压制现象，提高待检测信号的信噪比，解决其它已有方法在低信噪比下检测信号时出现的虚警概率较大的问题；同时图像对比度方法和逐步消去法的采用，利用了信号的空间和功率强度信息，能够检测调频率不同或相同的多个强弱信号，进一步提高检测概率和计算效率，易于工程实现，值得采用和推广。

摘要： 本发明公开了一种基于短时傅里叶变换和BP神经网络的频域盲源分离方法，该方法包括：利用不同调制方式的信号来训练BP神经网络；接收混合信号，对混合信号进行短时傅里叶变换，得到信号的时频信息；利用基于峰度最大化的ICA算法在频域对时频信息进行分离，得到分离后的频域信号；提取频域信号频谱的多个特征，基于训练的BP神经网络利用频谱特征对该信号进行频谱分类；对谱分类后的信号按照类别分别进行傅里叶反变换得到分离后的各个时域信号。本发明通通过使用短时傅里叶变换和BP神经网络分类方式增加了算法的鲁棒性，使得其频域盲源分离性能更好，保证了后续的信号解调过程的有效性。本发明有效实现了信号的频域盲源分离。

摘要： 本发明公开了一种基于卷积神经网络的非接触式液位预测方法。本发明首先，通过声共振液位测量仪器获取实验所需的共振波数据集。其次，对时域数据集进行短时傅里叶变换,将一维时域波形信号转换为二维频谱图形式作为卷积神经网络的输入。然后，基于卷积神经网络构建回归模型，选用均方误差作为损失函数，选用Adam函数作为优化算法。最后，将训练集输入到构建的卷积神经网络模型中进行模型，再将测试集输入到训练好的卷积神经网络模型中获得预测的液位高度。本发明通过构建卷积神经网络回归模型，实现从原始数据到任务目标的映射过程；通过对模型参数迭代优化，提升卷积神经网络模型的泛化能力和预测结果的准确性。

摘要： 本发明公开的基于短时傅里叶变换和分数阶傅里叶变换的多目标检测方法属雷达目标探测技术领域，本方法首先利用短时傅里叶变换进行信号初步检测，然后采用二值化方法对初检结果进行处理，在处理中保留信号的相位信息，接着对短时傅里叶逆变换还原后的信号，采用分数阶傅里叶变换进行检测，采用多种方法进行联合处理的优点是可以克服强信号旁瓣对弱信号主瓣的压制现象，提高待检测信号的信噪比，解决其它已有方法在低信噪比下检测信号时出现的虚警概率较大的问题；同时图像对比度方法和逐步消去法的采用，利用了信号的空间和功率强度信息，能够检测调频率不同或相同的多个强弱信号，进一步提高检测概率和计算效率，易于工程实现，值得采用和推广。

摘要： 本发明公开了一种基于短时傅里叶变换的动态信道化方法，构建满足近似完全重构特性的滤波器组，所述滤波器组的系数为p；采用短时傅里叶变换的方法，检测信号在通过所述滤波器组时，各个子信道的频带内是否有信号传输，若检测到各个子信道中同时存在有信号输出情况与无信号输出情况，则信号在通过所述滤波器组进行滤波的时候，满足动态信道化；本发明的有益效果为避免估计各子信道噪声功率的动态化方法，有效提高数字动态信道动态化的性能；在简化滤波器组的设计基础上，解决对子信道噪声功率估计不准确的问题。

摘要： 本发明公开了一种短时傅里叶变换与WVD相结合的自适应时频分析方法：1、获取待分析脉冲信号的采样数据序列/2、参数初始化；3、计算采样数据序列的功率谱；4、估计采样数据序列的频带范围和短时傅里叶变换的时间参数；5、计算采样数据序列在所估计频带上的归一化短时傅里叶变换；6、计算采样序列在所估计频带上的归一化WVD；7、依据WVD的维数，对短时傅里叶变换进行插值得到映射短时傅里叶变换结果；8、将映射短时傅里叶变换与WVD进行矩阵点乘得到自适应时频分析结果。本发明方法同时利用了短时傅里叶变换的无交叉项和WVD的高分辨率特性，能够得到弱交叉项、高时频分辨率的时频分布。

摘要： 本发明公开的一种基于短时傅里叶变换数据的时差快速预测方法，属于雷达目标探测信号处理领域。本发明通过直接利用回波信号预处理时的短时傅里叶变换所得到的频谱信号进行时差快速预测，在处理流程上直接省去将回波时域信号变到频域步骤。当雷达系统探测到有效目标时，将预处理过程得到的两路频谱信号矩阵进行恒虚警检测后进行时频域复乘；再复乘所得的时频域信号矩阵沿着时间维进行叠加操作；将叠加所得到列信号进行快速逆傅里叶变换，实现多部被动雷达侦测接收信号时差快速预测。本发明充分利用被动雷达系统短时傅里叶变换信号预处理过程所得的频谱信号，在保证相同准确度的前提下，不仅简化信号处理流程，还降低运算量，提高目标定位的效率。

摘要： 本发明涉及一种基于短时傅里叶变换的极地冰下水体探测方法，包括以下步骤：1)获取无线电回波测深数据；2)获取航向模糊处理后的二维雷达图像；3)对航向模糊处理后的二维雷达图像进行裁切拼接处理，得到裁切后的二维雷达图像；4)对裁切后的二维雷达图像中的分界面信号进行波形重整；5)对波形重整后的二维雷达图像进行短时傅里叶变换处理，获取每一道测线在分界面处的频率响应及幅值；6)结合归一化后的频率响应、短时傅里叶变换后频率响应幅度以及地形坡度计算冰底物质探测值，进行冰下水体的自动识别。与现有技术相比，本发明以冰底物质探测值作为判断冰底物质是否为冰下湖和冰下水体的依据，实现单道雷达信号冰底物质的高精度分辨。

摘要： 本发明公开了一种基于短时傅里叶变换的空压机故障诊断方法和系统，方法包括：采集空压机的振动信号数据，并对振动信号数据采用短时傅里叶变换算法进行时频分析；采用主成分分析算法对所述短时傅里叶变换分析得到空压机振动信号时频进行降维转换，得到数据集；将所述数据集划分为训练集和测试集，利用卷积神经网络模型训练所述训练集，得到最优空压机故障检测模型和对应超参数；进一步得到最优空压机故障检测模型，输出空压机故障预测结果。利用短时傅里叶变换(STFT)对空压机震动信号进行分析，并利用主成分分析法将获取的高维频谱转化到低维的特征空间，利用所述主成分分析法得出的少量的多元变量可以更好的揭示非线性、非平稳数据特征。

摘要： 本发明公开了一种基于短时傅里叶变换和BP神经网络的频域盲源分离方法，该方法包括：利用不同调制方式的信号来训练BP神经网络；接收混合信号，对混合信号进行短时傅里叶变换，得到信号的时频信息；利用基于峰度最大化的ICA算法在频域对时频信息进行分离，得到分离后的频域信号；提取频域信号频谱的多个特征，基于训练的BP神经网络利用频谱特征对该信号进行频谱分类；对谱分类后的信号按照类别分别进行傅里叶反变换得到分离后的各个时域信号。本发明通通过使用短时傅里叶变换和BP神经网络分类方式增加了算法的鲁棒性，使得其频域盲源分离性能更好，保证了后续的信号解调过程的有效性。本发明有效实现了信号的频域盲源分离。