Signal Processing Toolbox
执行信号处理和分析
Signal Processing Toolbox™ 提供多种函数和 App,可用于均匀和非均匀采样信号的分析、预处理和特征提取。该工具箱包含一系列工具,可用于滤波器设计和分析、重采样、平滑处理、去趋势和功率谱估计。该工具箱还具备以下功能:提取变化点和包络等特征、查找峰值和信号模式、量化信号相似性,以及执行 SNR 和失真等测量。您还可以执行振动信号的模态和阶次分析。
借助 Signal Analyzer,您无需编写代码,就可以在时域、频域和时频域同时预处理和分析多个信号,探查长信号,并提取关注区域。借助 Filter Designer,您可以选择各种算法和响应来设计和分析数字滤波器。这两个 App 都能够生成 w88手机登录® 代码。
快速入门:
预处理和特征提取
在训练深度网络之前,使用内置函数和 App 来清理信号并移除不需要的内容。
从信号中提取时域、频域和时频域特征,以增强特征,减少变异性和数据维度,用以训练深度学习模型。
标注和数据集管理
使用 Signal Labeler 标注信号的属性、关注区域和关注点。创建不同类型的标签和子标签。
使用信号数据存储管理因体积过大无法放入内存的大量信号数据。
参考示例
通过示例开始了解面向信号的机器学习和深度学习。
探查信号
使用 Signal Analyzer 在时域、频域和时频域中分析和可视化信号。从信号中提取关注区域以进一步分析。
利用 Signal Analyzer,您还可以在同一视图内同时测量和分析具有不同持续时间的信号。
预处理数据
对信号进行去噪、平滑和去趋势处理,为进一步分析做好准备。移除数据中的离群值和乱真内容。
对信号进行增强和可视化处理,从而发现模式。更改信号的采样率,或者使采样不规则或包含缺失数据的信号具有恒定的采样率。
描述性统计量
计算常见描述性统计量,如极大值、极小值、标准差和 RMS 水平。查找信号中的变化点并使用动态时间规整来对齐信号。
找出信号峰值并确定其高度、宽度以及相邻峰值的间距。测量时域特征,比如峰间幅值和信号包络。
数字滤波器
使用 Filter Designer 设计、分析和实现各种数字 FIR 和 IIR 滤波器,如低通、高通和带阻。对幅值、相位、群延迟、脉冲和阶跃等各种响应进行可视化。
检查滤波器极点和零点。通过测试稳定性和相位线性来评估滤波器性能。对数据应用滤波器,并使用零相位滤波消除延迟和相位失真。
模拟滤波器
设计和分析模拟滤波器,包括 Butterworth、Chebyshev、Bessel 和椭圆滤波器设计。
使用脉冲响应不变法和双线性转换法等离散化方法执行模拟滤波器到数字滤波器的转换。
频谱估计
使用周期图法、Welch 交叠平均法和多窗谱法等非参数化方法估计频谱密度。实现 Burg、协方差和 MUSIC 等参数化及子空间方法估计频谱。
使用 Lomb-Scargle 方法为非均匀采样信号或包含缺失采样的信号计算功率谱。通过估计频谱相关性在频域中测量信号相似性。
窗函数
实现并可视化常见窗函数。使用 Window Designer 设计和分析窗。比较窗在不同大小和其他参数设置下的主瓣宽度和旁瓣电平。
数据自适应变换
使用经验模态分解、变分模态分解和 Hilbert-Huang 变换执行数据自适应时频分析。
阶次分析
使用阶次分析,分析并可视化在旋转机械中出现的频谱成分。
跟踪和提取阶次及其时域波形。从振动信号中跟踪和提取转速描述图。使用时间同步平均法连贯地消除噪声。
疲劳分析
生成疲劳分析的高频雨流计数。
代码加速
如果函数支持,可使用 GPU 和多核处理器加快代码执行。
代码生成
使用 w88手机登录 Coder 生成产品级 C/C++ 代码和 MEX 文件,以便在桌面和嵌入式应用程序中部署。
如果函数支持,可生成优化的 CUDA 代码并在 NVIDIA GPU 中使用。
Signal Labeler
执行交互式或自动信号标记
信号数据存储
处理工作区或文件中的信号集合
时频分析
使用变分模态分解来提取固有模态
深度学习示例
使用时频分析和神经网络进行分类和标注
tall
数组
在频谱图和 stft 函数中支持 tall 数组
GPU 代码生成支持
为 fftfilt
和 stft
函数生成 CUDA 代码
GPU 加速
加速 spectrogram、czt
、stft
和 wvd
函数
C/C++ 代码生成支持
为时频分析、特征提取、频谱分析、多速率信号处理和滤波器设计生成代码
关于这些特性和相应函数的详细信息,请参阅发行说明。