作者:桂. 时间:2017-03-03  23:57:29 链接:http://www.cnblogs.com/xingshansi/articles/6498913.html 声明:转载请注明出处,谢谢. 前言 Hilbert通常用来得到解析信号,基于此原理,Hilbert可以用来对窄带信号进行解包络,并求解信号的瞬时频率,但求解包括的时候会出现端点效应,本文对于这几点分别做了简单的理论探讨. 本文内容多有借鉴他人,最后一并附上链接. 一.基本理论 A-Hilbert变换定义 对于一个实信号$

谢谢董老师,董老师是个好老师. 心情久久不能平静,主要是高频这门课的分析方法实在是让我难以理解,公式也背只是,还是放放吧. 近期厌恶了Matlab臃肿的体积和频繁的读写对我的Mac的损害,所以学习了一下Python这一轻量级的脚本.发现"Python自诞生那天就跟科学计算分不开"这个事实. 无聊,写写心得. 配置环境什么的还是弄了几个晚上的. 在Mac下用PyCharm还是非常好滴.装上NumPy,SciPy等等一众免费的,非常不错的Python包.就能够灰了. 1.Hilbert变换

可以证明,最简单的各向同性微分算子是拉普拉斯算子.一个二维图像函数 f(x,y) 的拉普拉斯算子定义为 ​ 其中,在 x 方向可近似为 ​ 同理,在 y 方向上可近似为 ​ 于是 我们得到满足以上三个公式的两个变量的离散拉普拉斯算子是 ​ 拉普拉斯变换所对应的滤波器模板为: 0 1 0 1 -4 1 0 1 0 使用matlab利用拉普拉斯算子试着提取一下图像的边缘 %使用拉普拉斯算子实现图像的边缘提取 close all;clear all;clc; I=imread('liftingbody

目录 信号, 集合, 多项式, 以及卷积性变换 卷积 卷积性变换 傅里叶变换与信号 引入: 信号分析 变换的基础: 复数 傅里叶变换 离散傅里叶变换 FFT 与多项式 \(n\) 次单位复根 消去引理, 折半引理与求和引理 重新定义 多项式的表示 快速傅里叶变换FFT 通过 FFT 在单位复数根处插值 FFT的速度优化与迭代实现 炸精现场与 NTT 原根 NTT 任意模数 NTT 卷积状物体与分治 FFT FWT 与位运算卷积 FWT 与 \(\text{or}\) 卷积 FWT 与 \(\te

看懂本文需要读者具备一定的微积分基础.至少开始学信号与系统了本文主要讲解欧拉公式.傅里叶变换的频率轴的负半轴的意义.傅里叶变换的缺陷.为什么因果LTI系统可以被零极图几乎唯一确定等等容易被初学者忽略但对深入理解非常重要的细节问题本文秉承尽量直观的原则,尽量少用纯数学推导,而多用形象直观的物理意义.几何意义.举例作者的审美极度直男癌,本文的排版可能引起很多人不适,但本文的内容一定是亮点作者还没本科毕业,水平有限,读者如发现本文的错误.读不懂的地方,恳请提出全文原创,转载请标明出处 信号与系统是电子

带通信号 一个实的带通信号$x(t)$可以表示为 \[x(t) = r(t)\cos (2\pi f_0 t + \phi_x(t)) \] 其中$r(t)$是幅度调制或包络,$\phi_x(t)$是相位调制,$f_0$是载波频率,$r(t)$和$\phi_x(t)$的变化比$f_0$要小得多.频率调制表示为 \[f_m(t) = \frac{1}{2\pi} \frac{d}{dt}\phi_x(t) \] 瞬时频率 \[{f_i}(t) = \frac{1}{{2\pi }}\frac{d}

关于Hilbert-Huang的matlab实现,材料汇总,比较杂...感谢所有网络上的贡献者们:) 核心:以下代码计算HHT边际谱及其对应频率 工具包要求:G-Rilling EMD Toolbox,TFTB Toolbox 附:黄锷先生课题组开发的工具包(可以在 这里 找到),这里中并未用到. % Empirical mode decomposition, resulting in intrinc mode functions. % Without parameter 'MAXMODES'

在我们正式开始讲解Hilbert-Huang Transform之前,不妨先来了解一下这一伟大算法的两位发明人和这一算法的应用领域 Section I 人物简介 希尔伯特:公认的数学界“无冕之王”,1943年去世于瑞士苏黎世.除此之外,自不必过多介绍. 黄锷:1937年出生于湖北省:1975年进入NASA(美国国家宇航局):美国国家工程院院士. Section II Hilbert-Huang的应用领域 医学领域:探测心率不齐.登革热的扩散.血压的变化 交通领域:探测公路桥梁安全 安全领域:辨识

作者:桂. 时间:2017-03-05  19:29:12 链接:http://www.cnblogs.com/xingshansi/p/6506405.html 声明:转载请注明出处,谢谢. 前言 本文为Hilbert变换分析的补充,主要介绍Hilbert变换中的端点效应,内容拟分两部分展开: 1)Gibbs现象介绍: 2)端点效应分析: 内容为自己一家之言,其中不合理的地方,希望各位告诉我,反正改不改是我的事(●'◡'●) 一.Gibbs现象 关于Gibbs的理论推导,可以参考郑君里的<信号

1. simulink仿真设计 震荡信号本质是调制信号,可以表示为: u(t)=A*(1+m*cos(Ωt+θ))*cos(ωt+φ)=A*cos (ωt+φ)+ A*m*cos(Ωt+θ)*cos(ωt+φ) 使用simulink仿真如下: 2. 时域信号 时域信号输入设计为信号调制模型. u(t)=A*(1+m*cos(Ωt+θ))*cos(ωt+φ)=A*cos (ωt+φ)+ A*m*cos(Ωt+θ)*cos(ωt+φ) 输入信号1: m*cos(Ωt+θ) = 0.5*cos(2*p

D.Gabor 1946年提出 窗口Fourier变换,为了由信号的Fourier变换提取局部信息,引入了时间局部化的窗函数. 由于窗口Fourier变换只依赖于部分时间的信号,所以,现在窗口Fourier变换又称为短时Fourier变换,这个变换又称为Gabor变换. 1) Gabor优点 Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似.它在提取目标的局部空间和频率域信息方面具有良好的特性.虽然Gabor小波本身并不能构成正交基,但在特定参数下可构成紧框架.Gabor小波对于图像

预加重:通过一个一阶有限激励响应高通滤波器,使信号的频谱变得平坦,不易受到有限字长效应的影响. 分帧:根据语音的短时平稳特性,语音可以以帧为单位进行处理,实验中选取的语音帧长为32ms,帧移为16ms. 加窗:采用汉明窗对一帧语音加窗,以减小吉布斯效应的影响. 汉明窗,海明窗,是一个窗函数,这个函数在某一区间有非零值,而在其余区间皆为0.这是为了方便做快速傅里叶变换 快速傅立叶变换(Fast Fourier Transformation, FFT):将时域信号变换成为信号的功率谱(频域信号).

K-L变换( Karhunen-Loeve Transform)是建立在统计特性基础上的一种变换,有的文献也称为霍特林(Hotelling)变换,因他在1933年最先给出将离散信号变换成一串不相关系数的方法.K-L变换的突出优点是去相关性好,是均方误差(MSE,Mean Square Error)意义下的最佳变换,它在数据压缩技术中占有重要地位. K-L(Karhunen-Loeve)变换形式 设X=(X1,X2,…,XN)T为N维随机矢量,mX=E(X)和CX=E{(X-mX)(X-mX)T}

形态变换 在opencv之膨胀与腐蚀中介绍了Dilation/Erosion的原理.建议先读这一篇,搞懂原理. 这样就可以很轻松地理解为什么本文的这些形态变换可以取得相应的效果. 基于此,我们可以组合出更多的形态变换以达到不同的目的. 有以下几种: Opening Closing Morphological Gradient Top Hat Black Hat Opening 先腐蚀再膨胀,可以把较小的目标去除.比如: Closing 可以把物体内的小黑洞消除.比如: Morphological

  clear all;close all;clc; I = imread('rice.png'); I = im2bw(I); J = bwperim(I); % 提取二值图像图像边缘 figure; subplot(121);imshow(I);title('原二值图像'); subplot(122);imshow(J);title('图像边缘'); ​ 其他提取图像边缘的方法: 利用膨胀和腐蚀提取图像边缘 matlab实现 https://blog.csdn.net/Ibelievesun

通俗易懂,有助于理解EMD和HHT,就原封不动的搬过来了. 原文链接:关于EMD的产生 自傅里叶变换与频谱分析技术产生,人们得以从另外一个角度观察时域信号,信号里各个点的密集程度,得以确定性地度量.之后,又产生了加窗傅里叶.小波变换.维格纳分布等时频分析技术.98年,黄大大又提出了一种新的时频分析技术,即HHT变换. 一.频率是什么? 周期的倒数是频率,初中物理教的,频率就是描述在既定时间内某一动作完成次数的多少.而后,频率与简谐函数联系起来,不再局限于周期性信号,成为描述信号周期性的参数.傅里

作者:桂. 时间:2017-03-06  20:57:22 链接:http://www.cnblogs.com/xingshansi/p/6511916.html 前言 本文为Hilbert变换一篇的内容补充,主要内容为: 1)EMD原理介绍 2)代码分析 3)一种权衡的小trick 4)问题补充 内容主要为自己的学习总结,并多有借鉴他人,最后一并给出链接. 一.EMD原理介绍 A-EMD的意义 很多人都知道EMD(Empirical Mode Decomposition)可以将信号分解不同频率

此主要讨论图像处理与分析.虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来,但鉴于它们与计算机视觉的紧密联系,以 及它们的出处,没有把它们纳入到图像处理与分析中来.同样,这里面也有一些 也可以划归到计算机视觉中去.这都不重要,只要知道有这么个方法,能为自己 所用,或者从中得到灵感,这就够了. 8. Edge Detection 边缘检测也是图像处理中的一个基本任务.传统的边缘检测方法有基于梯度 算子,尤其是 Sobel 算子,以及经典的 Canny 边缘检测.到现在,Cann

此主要讨论图像处理与分析.虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来,但鉴于它们与计算机视觉的紧密联系,以 及它们的出处,没有把它们纳入到图像处理与分析中来.同样,这里面也有一些 也可以划归到计算机视觉中去.这都不重要,只要知道有这么个方法,能为自己 所用,或者从中得到灵感,这就够了. 8. Edge Detection 边缘检测也是图像处理中的一个基本任务.传统的边缘检测方法有基于梯度 算子,尤其是 Sobel 算子,以及经典的 Canny 边缘检测.到现在,Cann

故障诊断主要包括三部分: 1.故障信号检测方法(定子电流信号检测 [ 定子电流幅值和电流频谱 ] ,振动信号检测,温度信号检测,磁通检测法,绝缘检测法,噪声检测法) 2.故障信号的处理方法,即故障特征提取(FFT,Hilbert 变换,小波变换,Hilbert-Huang变换). 3.故障识别技术 基于解析模型法(建立良好的电机模型并对隔状态参数进行估计,需要较好的专业知识) 基于人工智能法(基于专家系统:建立对比数据库:基于神经网络来做故障分类和识别:基于SVM,可处理分类时实现现有样本的最优