几种时频分析方法及其工程应用
信号的时频域检测方法及在频谱监测中的应用
信号的时频域检测方法及在频谱监测中的应用引言：一、时频分析方法STFT将信号分成多个时间窗口，对每个窗口进行傅里叶变换，以得到每个时刻的频谱信息。
STFT是一种常用的时频域分析方法，可用于信号的时频特征提取和信号的时频分布分析。
2. 小波变换（Wavelet Transform）小波变换是一种多分辨率分析方法，它可以将信号分解成不同频率的小波系数，从而得到信号在不同频带上的时频特征。
小波变换可以提取信号的瞬时频率和瞬时振幅，并可用于信号降噪、特征提取和边缘检测等应用。
3. Wigner-Ville分布（Wigner-Ville Distribution，WVD）WVD是一种高分辨率的时频分析方法，它可以提供信号的瞬时频率、瞬时幅度和瞬时相位等信息。
WVD通过在时频平面上绘制信号的二维时频图像来描述信号的时频特性，对于非线性和非平稳信号具有较好的分析效果。
1.无线通信系统中的频谱监测在无线通信系统中，频谱监测是保障无线通信质量和避免频谱干扰的重要手段。
时频域检测方法可以用于对通信信号进行监测，从而提供通信信号的时频特征和频谱分布情况。
通过对频谱进行实时监测和分析，可以及时发现频谱异常和干扰信号，并采取相应的措施来保障通信质量。
2.频谱资源管理频谱资源是有限的，如何合理分配和管理频谱资源是频谱监测的另一个重要应用。
时频域检测方法可以用于对频谱资源的现状进行评估和分析，包括频率利用率、频谱效益、频谱利用方式等。
通过对频谱资源进行分析，可以优化频谱分配方案，提高频谱利用效率。
3.频谱监测中的信号识别和分类时频域检测方法对于信号的识别和分类具有重要意义。
不同类型的信号在时频域上具有不同的特征，如调制方式、调制参数、调制深度等。
时频域检测方法可以提取信号的特征，从而实现信号的自动识别和分类。
通过信号的识别和分类，可以对频谱进行合理管理和优化利用。
结论：时频域检测方法是信号处理领域中的重要技术之一，能够提取信号的时频特征，并在频谱监测中得到广泛应用。
时频分析方法
傅里叶变换分析信号的缺点基于傅里叶(Fourier)变换的信号频域表示，揭示了时间函数和频港函数之间的内在联系，在传统的平稀信号分析和处理中发挥了极其重要的作用，很多理论研究和应用研究都把傅里叶变换当作最基本的经典「具来使用.但是傅里叶变换存在着严重的缺点:1.傅里叶变换缺乏时间和频率的定位功能傅里叶变换及其逆变换表示如下：S ㈣=f[s(t)]=匚S(t)e*dt (1)r-Kos(t) = — [ S(c)e*d/ (2)In A由以上两式可知,傅里叶变换是一种整体变换，对信号的表征要么完全在时域内，要么完全在频域内，u)和t是互相排斥的两个变量.用傅里叶变换的方法得到某-个频率/的频谱分吊S (国J),必须从-8〜+8的整个时间轴上进行积分.如果要从频谱得到信号在某一时刻t0的ffis(t0),则需要对S(co)在整个频率轴上进行积分.因此，傅里叶变换得到的是信号s(t) 在整个时间范围内的频率特性，它不能告诉人们在某段时间里信号发生了什么变化，也无法获得某一频率出现的时刻信息，因此，它不具有时间和频率的定位功能2.傅里叶变换对于非平稳信号的局限性信号的瞬时频率，表示了信号的谱峰在时间-频率平而上的位置及其随时间的变化情况，一般平稳信号的瞬时频率为常数，而非平稳信号的瞬时频率是时间t的函数.从傅里叶变换变换的表达式可以看出,S(U) )是单变量3的函数，信号的傅里叶变换不随时间的变化而变化, 因此，傅里叶变换仅仅适用于平稳信号.但是，在实际工作中，我们分析和处理的往往是时变的或非平稳的信号，它们的频率随时间变化而变化,其相关函数、功率谱等也是时变信号，用傅里叶变换进行分析，得到的信号频谱反映的是整体信号中包含的某一频率分最的平均值. 所以傅里叶变换不能反映信号瞬时频率随时间的变化情况，仅仅诂用于分析平稳信号.对频率随时间变化的非平稳信号，傅里叶变换只能给出其总体效果，不能完整地把握信号在某一时刻的本质特征3.傅里叶变换在时间和频率分辨率上的局限性分辨率是信号处理的基本概念之一，包括频率分辨率和时间分辨率.在时域分析中，信号处理的目标是尽"能地同时获得高的时间分辨率和频率分辨率.然而，订以证明时域窗和频域窗乘积恒定且大于等于12,也即不可能同时获得高的时频分辨率，这就是著名的不确定性原理.傅里叶变换在这方面的表现尤其不尽如人意.傅里叶变换可以改写成内积的形式，即= (3)由于傅里叶变换等效于s(t)和基函数做内积，而彳顼对不同的3构成一族正交基，因此S(co)精确地反映了s(t)在该频率点的分量大小.基函数彳侦在频域是位于co处的。
现代信号处理第八章基于EMD的时频分析方法及其应用
目前EMD方法主要应用于一元信号处理领域，未来研究将拓展其在多元信号处理中的应用，如多 通道信号分析、多维数据融合等。
EMD在复杂系统故障诊断中的应用
复杂系统的故障诊断是信号处理领域的重要研究方向之一，未来研究将探索将EMD方法应用于复 杂系统的故障诊断中，以提高诊断的准确性和可靠性。
01 基于EMD的时频分析方 法概述
EMD方法简介
EMD（Empirical Mode Decomposition）即经验模态分解，是 一种自适应的信号处理方法。
EMD方法能够将复杂信号分解为一系列固有 模态函数（Intrinsic Mode Functions， IMFs），这些IMFs表征了信号在不同时间 尺度上的局部特征。
THANKS FOR WATCHING
感谢您的观看
图像去噪与增强技术
EMD去噪原理
基于经验模态分解（EMD） 的去噪方法通过分解图像信号 为多个固有模态函数（IMF），
有效去除噪声成分。
自适应阈值处理
结合EMD与自适应阈值技术， 实现图像噪声的智能抑制，提
高图像质量。
对比度增强
利用EMD方法对图像进行分 层处理，调整各层对比度，实
现图像整体对比度的增强。
边界效应问题
EMD方法在分解过程中，对信号两端的数据处理存在不确 定性，容易产生边界效应，影响分解结果的精度和可靠性。
发展趋势预测
自适应噪声抑制技术
针对噪声干扰问题，未来研究将更加注重自适应噪声抑制 技术的发展，以提高EMD方法在噪声环境下的性能。
改进EMD算法
为解决模态混叠问题，研究者将致力于改进EMD算法，如引入 掩膜信号、优化筛选过程等，以提高分解的准确性和稳定性。
测试技术3x新时频分析
1
2020/11/26
2
四、信号的时频分析
时频分析的基本任务是建立一个函数，要 求这个函数不仅能够同时用时间和频率描述信 号的能量分布密度，还能够以同样的方式来计 算信号的其他特征量。这里只是简单介绍当前 广泛采用的时频分析方法：短时傅里叶变换 （STFT）、小波变换（WT）及时频分析的一些 应用。
22
STFT方法的精度分析 由以上分析可 知，窗函数宽度的选择将会直接影响时域 或频域的精度。为改进时域精度可以选择 一个较短的窗，但是短窗将会导致傅氏变 换计算时采样点数目的减少，因此，频域 中离散频率数也将减少，从而引起频域精 度的降低。
2020/11/26
23
可以证明时域精度的提高将以损失频 域精度为代价，而提高频域精度将以损失 时域精度为代价，二者不可兼得。对STFT 来说．重要的是窗函数一经选定，则时频 精度在整个时频表面都是固定的，因为同 一个窗函数将被用于信号中所有频率。所 以STFT的窗函数对时频分析是刚性的。
得信号谱估计可以在很短的时间内完成，从而实现
对观测信号的实时分析。频谱估计现已成为信号分
析与处理领域中十分重要的特征分析工具。傅里叶
变换的不足之处在于它只适用于稳态信号分析，而
非稳态信号在工程领域中是广泛存在的，另外，非
稳态信号很可能在一个短时瞬间发生变化．即具有
很强的时间局部性，并对整个频谱产生影响，很难
这个声音的频谱告诉我们频率范围大约从
175Hz到325Hz。这个信息是有意义而且重要的，
但是根据这个频谱告诉无法知道这些频率什么时
候存在。例如，不可能通过观察频谱确切知道
300Hz声音在什么时候产生，或者产生这个声音
的总持续时间，或产生了多少次。主图反映了信
参数化时频分析理论方法及应用_2016_西北工大
短时傅立叶变换
定义： ST FTx ( , ) x(t ) g (t )e jt dt
0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 -5 0 t/sec 5
a=1
窗函数
本质：加窗傅立叶变换 适用对象：分段平稳信号
3 2 1 0 -1 -2 -3 0 1 2 t/sec 3 4
ψ2
参数化时频分析-方法
多频率分量信号分析-时频融合法
高通 滤波
0.1111 0.1111 0.1111 H 0.1111 0.8889 0.1111 0.1111 0.1111 0.1111
示例-SCT
STFT SCT CWT
WVD
PCT
参数化时频分析-方法
广义Warblet变换 (GWT)
旋转算子
R (t ) e
t j ( ) d 0
(t ) (i )e
i 1
N
几种时频分析方法及其工程应用
几种时频分析方法及其工程应用时频分析是一种将时间和频率维度综合起来分析信号的方法，广泛应用于信号处理、通信、音频处理、图像处理等领域。
在实际工程应用中，根据不同的需求和应用场景，可以采用多种不同的时频分析方法。
本文将介绍几种常见的时频分析方法及其工程应用。
短时傅里叶变换是一种将信号分为多个小片段，并对每个小片段进行傅里叶变换的方法。
它在时域上采用滑动窗口的方式将信号分段，然后进行傅里叶变换得到频域信息。
STFT方法具有时间和频率分辨率可调的特点，可用于信号的频域分析、谱估计、声音的频谱显示等。
工程应用：STFT广泛应用于语音处理、音频编解码、信号分析等领域。
例如在音频编解码中，可以利用STFT分析音频信号的频谱特征，进行数据压缩和编码。
2. 小波变换（Wavelet Transform）小波变换是一种时频分析方法，它通过将信号与一系列基函数（小波）进行卷积来分析信号的时间和频率特性。
小波变换具有多分辨率分析的特点，可以在不同尺度上对信号进行分析。
工程应用：小波变换可以用于信号处理、图像压缩等领域。
在图像处理中，小波变换被广泛应用于图像的边缘检测、图像去噪等处理过程中。
3. Wigner-Ville分布（Wigner-Ville Distribution，WVD）Wigner-Ville分布是一种在时间-频率平面上分析信号的方法，它通过在信号的时域和频域上进行傅里叶变换得到瞬时频率谱。
WVD方法可以展现信号在时间和频率上的瞬时变化特性。
工程应用：Wigner-Ville分布在通信领域中被广泛应用于信号的调制识别、通信信号的自适应滤波等方面。
例如在调制识别中，可以利用WVD方法对调制信号的频谱特征进行分析，从而判断信号的调制类型。
4. Cohen类分析（Cohen's class of distributions）Cohen类分析是一种将信号在时间-频率域上进行分析的方法，它结合了瞬时频率和瞬时能量的信息。
信号处理中的时频分析方法研究
信号处理中的时频分析方法研究一、引言在信号处理领域，时频分析是一种重要的分析方法，它可以展示信号在时间和频率两个维度上的变化规律。
时频分析方法可以被广泛应用于许多领域，例如通信、医学、音乐和地震学等领域。
本文将介绍一些常见的时频分析方法，并探讨它们的应用与优缺点。
二、短时傅里叶变换（STFT）短时傅里叶变换是时频分析中最常见的一种方法。
它可以通过将信号分解成不同时间窗口内的频率成分来获得时域和频域分布。
在STFT中，信号被乘以一个窗口函数，然后在每个时间点上窗口的长度和形状都保持不变。
然后，使用快速傅里叶变换在每个时间窗口内计算频域分量。
由于不同的时间窗口可以为其提供不同的频率分辨率，因此可以选择窗口长度以平衡时间和频率分辨率之间的折衷。
STFT的优点是可以清晰地看到信号随时间和频率的变化。
它在信号处理和地震学分析方面得到了广泛的应用。
但它也有一些局限性，例如窗口函数的选择对分析结果有很大的影响，一般情况下只能得到离散的时频信息，无法获得连续的时频特性。
三、连续小波分析（CWT）连续小波分析是一种时变滤波器的应用，是一种常用的时频分析方法。
它采用一组母小波（通常称为分析小波），在不同的时刻对输入信号进行滤波。
这些分析小波可以缩放和平移，以便提供不同的频率和时间精度，并且可以在尺度和时间轴上提供常规分析不能提供的信息。
相较于STFT，CWT可以获得更连续的时频信息，而且由于可以根据需要改变小波的尺度和位置，因此比STFT更加灵活。
然而，CWT计算时需要进行大量的计算，处理大量的数据将导致算法效率较低。
四、峭度尺度分析（KSA）峭度尺度分析是一种基于二阶统计的非参数时频分析方法。
它利用峭度作为指标来计算信号在不同尺度下的频率分解表达。
KSA通过计算每个尺度下信号的二阶矩来确定信号的局部频率，因此不需要进行时域和频域的分析。
此外，KSA可以提供高频率分辨率和极低频的有效处理，因此可以获得有关信号的更广泛的信息。
数字信号处理中的时频分析算法
数字信号处理中的时频分析算法时频分析是数字信号处理领域中一种重要的信号分析方法，它能够同时提供信号在时间和频率上的特性信息。
在许多应用中，时频分析被广泛应用于信号识别、通信系统、雷达和生物医学工程等领域。
本文将介绍几种常见的数字信号处理中的时频分析算法。
1. 短时傅里叶变换（STFT）短时傅里叶变换是时频分析中最基本的方法之一。
它将信号分成一段段的小片段，并对每个小片段进行傅里叶变换，从而得到该时间段内信号的频谱。
由于信号随时间的变化，STFT能够提供信号在各个时刻的频谱特性。
然而，由于STFT使用固定的时间窗口宽度，无法在时间和频率上同时获得高分辨率。
2. 连续小波变换（CWT）连续小波变换是时频分析中一种基于小波理论的算法。
它与STFT类似，也将信号分成一段段的小片段，但不同之处在于小波变换使用了不同尺度的小波基函数进行变换。
这使得连续小波变换可以在时间和频率上自适应地调整分辨率，并能够对信号的瞬时频率进行较好的估计。
3. 峭度分析方法峭度分析方法通过计算信号的高阶统计moments，如峭度和偏度等，来提取信号的时频特征。
峭度反映了信号在短时间尺度上的频率成分，能够用于检测信号中的瞬时频率变化。
然而，峭度分析方法在实际应用中对信号的平稳性和高斯性有一定的要求。
4. Wigner-Ville变换（WVT）Wigner-Ville变换是一种经典的时频分析方法，它通过计算信号的时域和频域的自相关函数之间的关系，得到信号的时频表示。
WVT能够提供更精确的时频信息，但也存在交叉项干扰和分辨率衰减的问题。
为了克服这些问题，后续的研究提出了改进的时频分析方法，如Cohen's class分布和Cohen's class分布等。
5. 累积频谱分析方法累积频谱分析方法通过将多个STFT结果累积，从而提高分辨率和信噪比。
累积频谱分析方法包括短时傅里叶变换累积、小波包累积、Wigner-Ville累积等。
几种时频分析方法及其工程应用
工程测试技术文献综述教师：曾祥光班级：10级城轨1班姓名：罗昌华学号：20107243西南交通大学峨眉校区2013年4月16日几种时频分析方法及其工程应用罗昌华（西南交通大学峨眉校区，城轨车辆一班）摘要：时频分析时频分析（JTFA）即时频联合域分析（Joint Time-Frequency Analysis）的简称，作为分析时变非平稳信号的有力工具，成为现代信号处理研究的一个热点，它作为一种新兴的信号处理方法，近年来受到越来越多的重视。
时频分析方法提供了时间域与频率域的联合分布信息，清楚地描述了信号频率随时间变化的关系。
时频分析的基本思想是：设计时间和频率的联合函数，用它同时描述信号在不同时间和频率的能量密度或强度。
时间和频率的这种联合函数简称为时频分布。
利用时频分布来分析信号，能在每一时间指示出信号在瞬时频率串附近的能量聚集情况，并且能够进行时频滤波和时变信号综合。
关键词：时频；短时傅里叶变换；小波变换；希尔伯特——黄变换；信号盲源一.短时傅里叶变换短时距傅里叶变换是傅里叶变换的一种变形，为时频分析中其中一个重要的工具。
其与傅里叶变换的区别是：傅里叶转换只提供了有哪些频率成份的信息，却没有提供时间信息；而短时傅里叶转换则清楚的提供这两种信息。
这种时频分析的方法有利于频率会随着时间改变的信号分析。
在连续时间的例子中，一个函数可以先乘上仅在一段时间不为零的窗函数再进行一维的傅里叶变换。
再将这个窗函数沿着时间轴挪移，所得到一系列的傅里叶变换结果排开则成为二维表象。
所以短时傅里叶变换具有：比起傅里叶转换更能观察出信号瞬时频率的信息的优点。
但其计算复杂度高。
应用：应用单边指数窗的短时傅里叶变换建立了对数化的OTDR数据的事件分析算法。
通过对不同的光纤链路进行事件检测处理,准确的定位了光纤链路事件的位置。
相对于传统的具有较强噪声容纳能力,能够对受噪声污染较严重的信号进行事件分析,提高了ODTR算法的效率,具有较高的实用价值。
时频分析方法在语音识别中的应用
时频分析方法在语音识别中的应用时频分析方法是一种在信号处理中常用的技术，它可以将信号在时间和频率两个维度上进行分析，从而帮助我们更好地理解信号的特征和结构。
在语音识别领域，时频分析方法被广泛应用，它能够提取语音信号中的频谱特征，为语音识别算法提供重要的信息支持。
一、时频分析方法的基本原理时频分析方法是在时域和频域上分析信号的一种手段。
它通过将信号分解成不同频率成分，然后对每个频率成分在时间上进行分析，得到频谱随时间变化的图像。
常用的时频分析方法包括短时傅里叶变换（STFT）、连续小波变换（CWT）和小波包变换等。
短时傅里叶变换是一种时频分析方法中最常用的技术，它利用傅里叶变换的原理对信号进行频谱分析。
通过将信号分成多个时间窗口，再对每个窗口内的信号进行傅里叶变换，可以得到每个时间窗口内的频谱信息。
这样，就可以观察到信号在不同时间段内的频谱变化情况。
连续小波变换是另一种常用的时频分析方法，它不仅可以提供频谱信息，还能提供信号在时间和频率上的局部特征。
连续小波变换的基本思想是将信号与不同频率和时间尺度的小波进行相关运算，得到不同的小波系数，从而揭示信号的时频结构。
小波包变换是对连续小波变换的扩展，它可以更好地展示信号的时频特征。
小波包变换通过多次分解和滤波操作，将信号分解成不同频率的小波包系数。
通过对这些小波包系数的分析，可以更准确地提取信号的时频特征。
二、时频分析方法在语音识别中的应用时频分析方法在语音识别中有着广泛的应用。
一方面，时频分析方法可以提取语音信号的频谱特征，为后续的特征提取和模式匹配提供重要信息。
另一方面，时频分析方法还可以帮助识别语音信号中的时变特征，从而提高语音识别的准确率和鲁棒性。
在语音信号的预处理过程中，时频分析方法被用来提取语音信号的频谱特征。
通过对语音信号进行短时傅里叶变换或连续小波变换，可以得到语音信号在不同时间段的频谱信息。
这些频谱信息可以用来表示语音信号的能量分布和频率特征，为后续的特征提取工作奠定基础。
时频分析简介及应用
时频分析简介及应用俞一鸣上海聚星仪器有限公司1 时频分析简介通常最直观的信号表示方式是时域波形，它表示了电压(温度、音频等)随时间变化的关系。
另一个常用的信号表示方式是频谱，通过Fourier分析建立了信号从时域到频域变换的桥梁，频谱显示了信号幅度或者相位随频率的变化。
尽管频域分析能够获得信号的频率成份，但并不能揭示频率的变化。
经典的Fourier分析是基于信号是周期的或者无限长的假设，而实际应用中，更多期望了解信号的瞬态变化，例如跳频信号，因此在这种情况下传统的分析方法就会产生错误。
尤其是在许多实际应用中，信号变化大多是非平稳的，这时采用传统的Fourier变换并不能反映信号频谱随时间变化的情况。
例如，在分析一个扫频信号时，图1中的扫频信号可以是从高频向低频扫描，也可以是从低频向高频扫描。
但是两者的频谱是完全一样的，因此并不能区分这两个扫频过程。
时频分析是源于考虑信号的局部特性而引入的，能够同时观察一个信号在时域和频域上面信息的工具。
当引入时频分析之后，不仅能观测到信号的频谱特征，也能够观测到频率随时间的变化，从而区分是哪一个方向上的扫频信号。
如图2所示。
在信号处理过程中，时频分析运用不同的时频变换工具，在频域和时域上同时连续的分析一个信号。
时频分析过程，是通过各种不同的时频变换方式将一维的时域信号投影到二维的时间-频率坐标平面，从而不仅仅能够观察到信号的某一维特征，而是同时评估信号在时间-频谱上的二维模式。
信号分析的方法也不再局限于时域或者频域，而是将它们作为一个整体，作为一个复合变量进行考虑，这大大拓宽了信号分析方法，也提高了对信号描述的准确性。
2 时频分析的方法不同的时频分析的方法，实际对应着相应的时频分布函数，典型的线性时频表示有：短时F o u r i e r 变换、小波变换、H i l b e r t 变换等。
短时Fourier变换，指给定一个图1 正向与反向扫频信号的频谱图2 正向与反向扫频信号的时频分析图3 Wigner分布与Gabor变换的分辨率比较图4 Winger变换产生的cross-term可以看出，由于窗函数w(t)的移位使短时F o u r i e r 变换具有选择区域的特性，它既是时间的函数，又是频率的函数，对于一定的时刻t，X(t,f)可视为该时刻的“局部频谱”。
《时频分析简介》课件
时频分析的方法
傅里叶变换
将信号转换到频域，得到信号在不同频率上的成分，但无法提供时间信息。
短时傅里叶变换
在短时间窗口内进行傅里叶变换，获得信号在不同时间和频率上的信息。
小波变换
将信号分解为不同频率的子信号，具有较好的时频局部化特性。
时频分析的应用
信号处理
时频分析在信号处理领域中广泛应用，如语音识别、 音频压缩、故障检测等。
图像处理
时频分析可用于图像处理和分析，如纹理分析、运 动检测和图像压缩等。
时频分析的局限性
1 时间-频率不确定性
存在时间和频率精度之间的困境，无法同时获得高时间和高频率分辨率。
2 计算复杂度
某些时频分析方法计算复杂度较高，需要消耗大量计算资源。
3 噪声影响
时频分析容易受到噪声的干扰，噪声可能对分析结果产生负面影响。
总结
时频分析是一种强大的信号处理工具，可以揭示信号的时间和频率特性，但 在应用过程中需要考虑其局限性。
参考文献
1. Smith, J. O., & Abel, J. S. (1999). Time-Frequency Audio Signal Analysis. Prentice Hall. 2. Mallat, S. (1999). A Wavelet Tour of Signal Processing. Academic Press.
《时时间和频率上变化的技术。本课件将介绍时 频分析的定义、目的、方法、应用和局限性。
什么是时频分析
时频分析是研究信号在时间和频率上的变化规律的一种方法。它能够提供关 于信号频谱随时间变化的详细信息。
时频分析的目的
时频分析的目标是了解信号在时间和频率上的特性，揭示信号的结构和动态 变化，以便更好地理解和处理信号。
HHT时频分析方法的研究与应用
结论
本次演示对HHT时频分析方法的研究与应用进行了详细阐述。首先介绍了时 频分析的基本概念和常用方法，接着深入探讨了HHT时频分析方法的研究过程和 应用案例。在此基础上，提出了HHT时频分析方法的优化策略，并展望了其未来 的应用前景。总之，HHT时频分析方法在信号处理领域具有重要的地位和作用， 未来的研究和发展将进一步拓展其应用范围和提高其性能。
时频分析的基本概念
时频分析是一种信号处理方法，旨在研究信号在不同时间和频率下的特性。 常用的时频分析方法包括传统的时间序列分析、短时傅里叶变换、卡尔曼滤波等。 这些方法在一定程度上能够对信号进行有效的分析和处理，但存在一定的局限性。 例如，短时傅里叶变换虽然能够提供较好的频率信息，但时间分辨率较低；卡尔 曼滤波则对信号的平稳性有较高要求。
3、能源领域：在能源领域，可以利用HHT时频分析方法对风能、太阳能等新 能源进行检测和分析，提高能源利用效率和管理水平。
4、金融市场预测：在金融领域，可以利用HHT时频分析方法对股票、汇率等 金融数据进行处理和分析，帮助预测市场趋势和风险评估。
5、通信技术：在通信技术领域，可以利用HHT时频分析方法对信号进行调制 解调、信道均衡等处理，提高通信质量和可靠性。
HHT时频分析方法的优化
虽然HHT时频分析方法具有许多优点，但在实际应用中也存在一些问题，如 计算效率低、内存开销大等。因此，对HHT方法进行优化是十分必要的。以下是 一些常见的优化策略：
1、改进算法：可以对HHT方法的算法进行改进，例如引入更有效的模态分解 和Hilbert变换算法，提高计算效率和准确性。
谢谢观看
随着科学技术的不断发展和进步，HHT时频分析方法在未来的研究和发展中 将继续发挥重要作用。以下是一些HHT时频分析方法的应用前景：
时频分析方法
时频分析方法时频分析是一种用于研究信号在时间和频率上的变化规律的方法。
在实际应用中，时频分析方法被广泛应用于信号处理、通信系统、地震学、医学影像等领域。
本文将介绍几种常见的时频分析方法，包括傅里叶变换、短时傅里叶变换、小波变换和时频分析的应用。
傅里叶变换是最常见的时频分析方法之一。
它通过将信号分解为不同频率的正弦和余弦函数来分析信号的频谱特性。
傅里叶变换能够清晰地展示信号在频域上的特征，但却无法提供信号在时间上的变化信息。
为了解决这一问题，短时傅里叶变换应运而生。
短时傅里叶变换将信号分割成小段，并对每一小段进行傅里叶变换，从而得到信号在时间和频率上的变化信息。
短时傅里叶变换在分析非平稳信号时具有很好的效果，但是其时间和频率分辨率存在一定的局限性。
小波变换是一种时频分析方法，它能够同时提供信号在时间和频率上的精细信息。
小波变换通过在不同尺度和位置上对信号进行分析，得到信号的时频表示。
小波变换在处理非平稳信号和突发信号时表现出色，具有很好的局部化特性。
然而，小波变换的选择和设计却需要根据具体应用场景来进行调整，这对使用者提出了一定的要求。
时频分析的应用十分广泛，其中之一就是在通信系统中的应用。
通信系统中的信号往往是非平稳的，因此需要采用时频分析方法来对信号进行处理和分析。
时频分析可以帮助我们更好地理解信号的特性，从而提高通信系统的性能和可靠性。
此外，时频分析方法还被广泛应用于医学影像的处理和分析，能够帮助医生更准确地诊断疾病。
综上所述，时频分析方法是一种十分重要的信号分析方法，它能够帮助我们更全面地理解信号的特性。
不同的时频分析方法各有优缺点，需要根据具体的应用场景来选择合适的方法。
随着科学技术的不断发展，时频分析方法将会得到更广泛的应用和进一步的完善。
数字信号处理中的时频分析方法
数字信号处理中的时频分析方法时频分析是数字信号处理领域的关键技术之一，它能够有效地揭示信号在时域和频域上的变化特性。
随着技术的不断发展，时频分析方法也越来越丰富和多样化。
本文主要介绍几种常用的时频分析方法，并分析各自的优缺点。
一、傅里叶变换（Fourier Transform）傅里叶变换是一种基础的时频分析方法，它通过将信号转换到频域来分析信号的频率特性。
傅里叶变换可以将信号分解成一系列正弦和余弦函数，并通过频谱图展示各频率分量的能量分布。
尽管傅里叶变换具有很高的分辨率和准确性，但其无法提供关于信号在时域上的变化信息。
二、短时傅里叶变换（Short-Time Fourier Transform，STFT）为了解决傅里叶变换的局限性，短时傅里叶变换应运而生。
STFT 将信号分成多个时窗，并对每个时窗进行傅里叶变换，得到一系列时域上的频谱。
相比于傅里叶变换，STFT能够提供信号在时域和频域上的变化信息，但其时频分辨率受到时窗长度的限制。
三、连续小波变换（Continuous Wavelet Transform，CWT）连续小波变换是一种基于小波分析的时频分析方法。
CWT通过将信号与不同尺度和平移的小波函数进行内积运算，得到信号在不同频率和时间上的能量分布。
连续小波变换具有优秀的时频局部化特性，能够在时频域上更精细地描述信号的变化。
四、小波包变换（Wavelet Packet Transform，WPT）小波包变换是对连续小波变换的扩展，它在时频分辨率和展示能力上更卓越。
WPT通过多级分解和重构的方式，将信号分解成不同频带的信号分量，并分别分析每个频带的时频特性。
小波包变换具有更高的灵活性和精细度，适用于复杂信号的时频分析。
五、瞬时频率估计（Instantaneous Frequency Estimation）瞬时频率估计是一种基于信号局部特性的时频分析方法，它通过分析信号的瞬时频率变化来揭示信号的时频特性。
《时频信号分析》课件
图像处理中的傅里叶变 换应用
傅里叶变换可以将图像转换为 频谱图，从而在控制图像分辨 率和修改图像时起到重要的作 用。
小波分析及其应用
小波分析的定义
小波分析是对信号进行时频变换，利用不同的尺度和位置分析信号的频率。
小波变换的应用
小波变换可以用于信号压缩、信号去噪、图像处理等方面。
《时频信号分析》PPT课 件
时频信号分析是一门重要的工程学科，本课程将介绍其基础知识，相关的分 析方法和应用于工程领域的实际案例。
信号与系统基础知识
信号定义
信号是一种表达信息的物理量，可以是声音、光、电等。我们需要对信号进行分析、处理、 传输和处理。
系统定义
系统是这样的一些元素的集合，这些元素在某些条件下进行相互作用。系统可以是物理系统、 电子系统、生物系统等。
时频分析的定义
定义
时频分析是分析信号在时间和频率上变化的一种方法。
目的
时频分析的目的是找到信号在某个特定的时间点和频率上具有的主要特性。
方法
时频分析的方法包括时频分布、Wigner-Ville分布和小波变换等。
常见的时频分析方法
1
连续小波变换（CWT）
2
将信号分解成不同尺度的小波函数，
并分析每个小波函数的频谱行为。
总结和展望
时频信号分析是一门独立但又紧密联系的学科，具有广泛的应用前景。在 未来，时频分析将不断发展完善，为我们的生活带来更多的便利和创新。
信号与系统的关系
信号是系统的输入或输出，系统会对输入信号进行处理，输出相应的信号。
时域和频域的概念
时域
时域是对信号随时间变化的描 述，通俗地说，它告诉我们信 号的"长相"。
几种时频分析方法对比及在煤田地震勘探中的应用_胡明顺
第33卷第6期物 探 与 化 探Vol .33,No .6 2009年12月GE OPHYSI CAL &GE OCHE M I CAL EXP LORATI O NDec .,2009 几种时频分析方法对比及在煤田地震勘探中的应用胡明顺1,潘冬明1,徐红利2,赵立瑰1(1.中国矿业大学资源与地球科学学院,江苏徐州 221008;2.中国矿业大学岩土工程新技术发展有限公司,江苏徐州 221008)摘要:由于不同时频分析方法有其特有时频特性,为提高煤田地震资料处理精细程度,对比研究选择最佳方法十分重要。
针对短时傅氏变换、小波变换、S 变换,W igner 2V ille 分布及其改进分布和Choi 2W illia m s 分布等几种经典时频分析方法,进行数值模拟研究,分别从时间分辨率、频率分辨率及干扰项影响程度等详细分析了各种方法的优缺点。
最后选用SP WVD 进行初至拾取和S 变换分频显示解释陷落柱,取得了良好的效果。
关键词:短时傅氏变换;S 变换;W igner 2V ille 分布;初至拾取;单频剖面中图分类号:P631.4 文献标识码:A 文章编号:1000-8918(2009)06-0691-05 傅氏分析对处理传统的包含线性、高斯性和平稳性假设条件的信号是非常有效的[1]。
在地震勘探过程中,由于地层吸收,孔隙流体等各种原因,地震信号往往具有非线性、非平稳特征,因此傅氏变换无法对它们进行全面的分析。
为了更好地研究地震信号,了解它们的频率随时间变化的关系,需要使用信号的时频分析方法,以揭示信号中包含了多少频率分量及各分量随时间变化的特性[2]。
目前,时频分析方法在地震勘探中已有很多应用,如:时频属性的提取、描述地震相[3]、判定P 波到达时、计算泥岩体积、地层吸收补偿、信号识别[4]、压制随机噪音、相干体、薄层识别等地球物理勘探领域。
时频分析包括线性和非线性表示两类方法,其时频分辨率和聚集性各不相同。
时频分析方法的总结与比较
时频分析方法的总结与比较时频分析方法是一种广泛应用于信号处理、机械工程、生物医学工程等领域的分析方法，用于研究非平稳信号的时变特性和频率特性。
本文将介绍时频分析方法的基本概念、分析方法、优缺点比较以及未来发展展望。
时频分析方法主要信号在不同时间和频率下的表现，通过将信号分解为不同频率成分，随时间变化的关系，揭示信号的时变特性和频率特性。
常见的时频分析方法有时域分析、频域分析和时频联合分析等。
时域分析将信号作为一个随时间变化的函数进行研究，通过时域波形图等手段，研究信号的时域特性，如幅值、相位、频率等。
常见的时域分析方法有短时傅里叶变换（STFT）和连续小波变换（CWT）等。
频域分析将信号分解为不同的频率成分，在频率域内对信号进行研究。
通过频谱图等手段，研究信号的频域特性，如中心频率、带宽、振幅等。
常见的频域分析方法有快速傅里叶变换（FFT）和短时傅里叶变换（STFT）等。
时频联合分析综合考虑了信号的时域和频域特性，能够更全面地描述信号的时变特性和频率特性。
常见的时频联合分析方法有魏格纳-威利分布（WVD）、科恩滤波器（Cohen's class）和小波变换（WT）等。
（1）能够揭示信号的时变特性和频率特性，适用于分析非平稳信号。
（2）能够将信号分解为不同的频率成分，便于进行滤波、去噪等处理。
（3）能够提供信号在时间和频率上的局部信息，具有较高的定位精度。
（1）对于高频信号，时频分析方法可能会存在较高的时间分辨率和较低的频率分辨率。
（2）时频分析方法需要足够的样本数据，对于数据长度要求较高。
（3）某些时频分析方法计算复杂度较高，需要较高的计算资源。
基于深度学习的时频分析方法：随着深度学习技术的发展，将深度学习与时频分析相结合，能够有效提高时频分析的准确性和效率。
例如，卷积神经网络（CNN）可以用于学习信号的时频分布特征，实现信号的分类和识别。
高维时频分析方法：在多维度信号处理中，高维时频分析方法能够同时处理多个通道的信号，进一步提高信号处理的效率和准确性。
时频分析技术简述
时频分析技术简述一 时频分析产生的背景在传统的信号处理领域，基于Fourier 变换的信号频域表示及其能量的频域分布揭示了信号在频域的特征，它们在传统的信号分析与处理的发展史上发挥了极其重要的作用。
但是，Fourier 变换是一种整体变换，即对信号的表征要么完全在时域，要么完全在频域，作为频域表示的功率谱并不能告诉我们其中某种频率分量出现在什么时候及其变化情况。
然而，在许多实际应用场合，信号是非平稳的，其统计量（如相关函数、功率谱等）是时变函数。
这时，只了解信号在时域或频域的全局特性是远远不够的，最希望得到的乃是信号频谱随时间变化的情况。
为此，需要使用时间和频率的联合函数来表示信号，这种表示简称为信号的时频表示。
时频分析的主要研究对象是非平稳信号或时变信号，主要的任务是描述信号的频谱含量是怎样随时间变化的。
时频分析是当今信号处理领域的一个主要研究热点，它的研究始于20世纪40年代，为了得到信号的时变频谱特性，许多学者提出了各种形式的时频分布函数，从短时傅立叶变换到Cohen 类，各类分布多达几十种。
如今时频分析已经得到了许多有价值的成果，这些成果已在工程、物理、天文学、化学、地球物理学、生物学、医学和数学等领域得到了广泛应用。
时频分析在信号处理领域显示出了巨大的潜力，吸引着越来越多的人去研究并利用它。
二 常见的几种时频分析方法一般将时频分析方法分为线性和非线性两种。
典型的线性时频表示有短时傅立叶变换(简记为STFT)、Gabor 展开和小波变换(Wavelet Transformation ，简记为WT)等。
非线性时频方法是一种二次时频表示方法(也称为双线性)，最典型的是WVD(Wigner-Ville Distribution)和Cohen 类。
1 短时傅立叶变换STFT为了分析语音信号，Koenig 等人提出了语谱图(Spectrogram)方法，定义为信号的短时傅立叶变换STFT 的模平方，故亦称为STFT 方法或者STFT 谱图。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
工程测试技术文献综述教师：***班级：10级城轨1班姓名：***学号：********西南交通大学峨眉校区2013年4月16日几种时频分析方法及其工程应用罗昌华（西南交通大学峨眉校区，城轨车辆一班）摘要：时频分析时频分析（JTFA）即时频联合域分析（Joint Time-Frequency Analysis）的简称，作为分析时变非平稳信号的有力工具，成为现代信号处理研究的一个热点，它作为一种新兴的信号处理方法，近年来受到越来越多的重视。
时频分析方法提供了时间域与频率域的联合分布信息，清楚地描述了信号频率随时间变化的关系。
时频分析的基本思想是：设计时间和频率的联合函数，用它同时描述信号在不同时间和频率的能量密度或强度。
时间和频率的这种联合函数简称为时频分布。
利用时频分布来分析信号，能在每一时间指示出信号在瞬时频率串附近的能量聚集情况，并且能够进行时频滤波和时变信号综合。
关键词：时频；短时傅里叶变换；小波变换；希尔伯特——黄变换；信号盲源一.短时傅里叶变换短时距傅里叶变换是傅里叶变换的一种变形，为时频分析中其中一个重要的工具。
其与傅里叶变换的区别是：傅里叶转换只提供了有哪些频率成份的信息，却没有提供时间信息；而短时傅里叶转换则清楚的提供这两种信息。
这种时频分析的方法有利于频率会随着时间改变的信号分析。
在连续时间的例子中，一个函数可以先乘上仅在一段时间不为零的窗函数再进行一维的傅里叶变换。
再将这个窗函数沿着时间轴挪移，所得到一系列的傅里叶变换结果排开则成为二维表象。
所以短时傅里叶变换具有：比起傅里叶转换更能观察出信号瞬时频率的信息的优点。
但其计算复杂度高。
应用：应用单边指数窗的短时傅里叶变换建立了对数化的OTDR数据的事件分析算法。
通过对不同的光纤链路进行事件检测处理,准确的定位了光纤链路事件的位置。
相对于传统的具有较强噪声容纳能力,能够对受噪声污染较严重的信号进行事件分析,提高了ODTR算法的效率,具有较高的实用价值。
短时傅里叶变换作为一种新颖的时频分析工具已经得到了研究人员越来越多的关注,因此在国内推广到地震监测、电力系统、防盗系统以及很多故障检测系统等。
二.小波变换缩放滤波器小波完全通过缩放滤波器g ——一个低通有限脉冲响应(FIR)长度为2N和为1的滤波器——来定义。
在双正交小波的情况，分解和重建的滤波器分别定义。
高通滤波器的分析作为低通的QMF来计算，而重建滤波器为分解的时间反转。
例如Daubechies 和Symlet小波。
缩放函数小波由时域中的小波函数ψ（t）和缩放函数Ф（t）来定义。
小波函数实际上是带通滤波器，每一级缩放将带宽减半。
这产生了一个问题，如果要覆盖整个谱需要无穷多的级。
缩放函数滤掉变换的最低级并保证整个谱被覆盖到。
对于有紧支撑的小波，Ф（t）可以视为有限长，并等价于缩放滤波器g。
例如Meyer小波。
小波函数小波只有时域表示，作为小波函数ψ（t）。
小波的应用通常来讲，DWT用于信号编码而CWT 用于信号分析。
所以，DWT通常用于工程和计算机科学而CWT经常用于科学研究。
小波变换现在被大量不同的应用领域采纳，经常取代了傅里叶变换的位置。
很多物理学的领域经历了这个範式的转变，包括分子动力学，从头计算(ab initio calculations),天文物理学，密度矩阵局部化，地震地质物理学，光学，湍流，和量子力学。
其他经历了这种变化的学科有图像处理，血压，心率和心电图分析，DNA分析，蛋白质分析，气象学，通用信号处理，语言识别，计算机图形学，和多分形分析。
小波的一个用途是数据压缩。
和其他变换一样，小波变换可以用于原始数据(例如图像)，然后将变换后的数据编码，得到有效的压缩。
JPEG 2000 是采用小波的图像标准。
数据压缩是小波变换的一个成功应用领域,特别是对二维图像数据压缩更为有效.采用小波变换进行数据压缩的优点是不仅压缩比可以提高,而且可以避免其他压缩编码方法由于数据分块造成的方块效应0和/蚊式噪声0,因而质量较好.随着多媒体、信息高速公路等技术的发展,数据压缩已成为信息传输中的瓶颈问题,因此其重要性愈见显著.基于小波分析的压缩方法很多,比较成功的有小波包最好基方法、小波域纹理模型方法、小波变换零树压缩、小波变换向量压缩等.把小波变换、图像分割、二维建模、自适应量化等技术综合起来,并结合人类视觉的特点,对图像中的不同区域(轮廓和纹理)采用不同的压缩方法,即所谓/第二代图像压缩技术0是图像压缩技术发展的必然趋势。
由于分形和小波变换在尺度性能上表现出的类似性,因此小波变换被认为是分析、刻画物理学中许多有关分形现象的有力工具.傅氏变换虽然能看到湍流信号的频率特性,但是却不能表现其相干结构;直观的图形(例如二维湍流场的旋涡图)虽能粗略观察到它的相干结构,但却不能给出各尺度间能量和熵交换情况的定量描述.小波变换恰能把这两方面结合起来,弥补了上述缺点,而且它本身又包含有时间概念,因此还可以表现出湍流发展的过程,即如何由初始状态发展成充分成熟的涡流[28].Arneodo和Argoul[29]则以小波变换为/数学显微镜0,对非平衡系统的模式形成现象,包括分维生长过程,如何向混沌过渡、分形聚集体等多分形现象作了分析。
三.希尔伯特——黄变换希尔伯特——黄变换主要内容包含两部分，第一部分为经验模态分解（Empirical Mode Decomposition，简称EMD），它是由Huang提出的；第二部分为Hilbert谱分析（Hilbert Spectrum Analysis，简称HAS）。
简单说来，希尔伯特——黄变换处理非平稳信号的基本过程是：首先利用EMD方法将给定的信号分解为若干固有模态函数（以Intrinsic Mode Function或IMF表示，也称作本征模态函数），这些IMF是满足一定条件的分量；然后，对每一个IMF进行Hilbert 变换，得到相应的Hilbert谱，即将每个IMF 表示在联合的时频域中；最后，汇总所有IMF 的Hilbert谱就会得到原始信号的Hilbert谱。
与传统的信号或数据处理方法相比，希尔伯特——黄变换具有如下特点：(1)希尔伯特——黄变换能分析非线性非平稳信号传统的数据处理方法，如傅立叶变换只能处理线性非平稳的信号，小波变换虽然在理论上能处理非线性非平稳信号，但在实际算法实现中却只能处理线性非平稳信号。
历史上还出现过不少信号处理方法，然而它们不是受线性束缚，就是受平稳性束缚，并不能完全意义上处理非线性非平稳信号。
希尔伯特——黄变换则不同于这些传统方法，它彻底摆脱了线性和平稳性束缚，其适用于分析非线性非平稳信号。
(2)希尔伯特——黄变换具有完全自适应性希尔伯特——黄变换能够自适应产生“基”，即由“筛选”过程产生的IMF。
这点不同于傅立叶变换和小波变换。
傅立叶变换的基是三角函数，小波变换的基是满足“可容性条件”的小波基，小波基也是预先选定的。
在实际工程中，如何选择小波基不是一件容易的事，选择不同的小波基可能产生不同的处理结果。
我们也没有理由认为所选的小波基能够反映被分析数据或信号的特性。
(3)希尔伯特——黄变换不受Heisenberg 测不准原理制约——适合突变信号傅立叶变换、短时傅立叶变换、小波变换都受Heisenberg测不准原理制约，即时间窗口与频率窗口的乘积为一个常数。
这就意味着如果要提高时间精度就得牺牲频率精度，反之亦然，故不能在时间和频率同时达到很高的精度，这就给信号分析处理带来一定的不便。
而希尔伯特——黄变换不受Heisenberg测不准原理制约，它可以在时间和频率同时达到很高的精度，这使它非常适用于分析突变信号。
(4)希尔伯特——黄变换的瞬时频率是采用求导得到的傅立叶变换、短时傅立叶变换、小波变换有一个共同的特点，就是预先选择基函数，其计算方式是通过与基函数的卷积产生的。
希尔伯特——黄变换不同于这些方法，它借助Hilbert变换求得相位函数，再对相位函数求导产生瞬时频率。
这样求出的瞬时频率是局部性的，而傅立叶变换的频率是全局性的，小波变换的频率是区域性的。
四.盲源分离盲源分离是指在信号的理论模型和源信号无法精确获知的情况下,如何从混迭信号(观测信号)中分离出各源信号的过程。
盲源分离和盲辨识是盲信号处理的两大类型。
盲源分离的目的是求得源信号的最佳估计，盲辨识的目的是求得传输通道混合矩阵。
应用领域盲源信号分离是一种功能强大的信号处理方法，在生物医学信号处理，阵列信号处理，语音信号识别，图像处理及移动通信等领域得到了广泛的应用。
盲源分离（BSS：Blind source separation），是信号处理中一个传统而又极具挑战性的问题，BSS指仅从若干观测到的混合信号中恢复出无法直接观测的各个原始信号的过程，这里的“盲”，指源信号不可测，混合系统特性事先未知这两个方面。
在科学研究和工程应用中，很多观测信号都可以看成是多个源信号的混合，所谓“鸡尾酒会”问题就是个典型的例子。
其中独立分量分析ICA（Independent component analysis）是一种盲源信号分离方法，它已成为阵列信号处理和数据分析的有力工具，而BSS比ICA适用范围更宽。
参考文献[1] 维基百科.小波变换.[J/OL][2013-4-14]./wiki/%E5%B0%8F%E 6%B3%A2%E5%8F%98%E6%8D%A2[2] 维基百科.短时傅里叶变换[J/OL].[2013-4-14].http://zh.wikipedia.o rg/wiki/%E7%9F%AD%E6%97%B6%E5%82%85%E9%8 7%8C%E5%8F%B6%E5%8F%98%E6%8D%A2[3] 李春峰,Liner C.基于小波多尺度分析的奇性指数:一种新地震属性[J].地球物理报,2005,48(4):882~888.[4] 印兴耀,张奎,张广智.联合时频分布及其矩属性的应用[J].石油地球物理勘探,2003,38(5):521~526.[5] Q.Chen,N.E.Huang,5.瓦emensclmeider,Y.Xu.AB一sPlineaPProachPu t.Math.Vol24[6] 钟佑明,金涛,秦树人.希尔伯特黄变换中的一种新包络线算法.2005[7] 钟伯成.基于小波变换的脑电信号瞬态特征提取[J].模式识别与人工智能,2000[8] Zhang Q. Using wavelet network innonparametric estimation[J]. IEEETransactions on Neural Networks, 1997 [9] 钟佑明,金涛,秦树人.希尔伯特黄变换中的一种新包络线算法.2005[10] 郑君里,应启晰,杨为理.信号与系统.高等教育出版社,2002[11] TAYLOR T S. Turbulence simulation andoptical processing through turbulencemedia[J]. SPIE, 1997, 3073: 404-415.[12]张东.吴晓琳短时傅立叶变换在振动信号处理中的应用[J]-计算机与数字工程 2011 [13] 陈文静,苏显渝,谭松新. Fourier变换轮廓术中对测量系统的基本要求[J].光电子#激光,1999[14] 百度百科.盲源分离.[J/OL].[2013-4-14]./view/3819359.htm[15] 百度文库.盲源分离.[M/OL].[2013-4-14]./view/c41a225c804d2b160b4ec033.html。