一、理论基础

fft：

快速傅里叶变换 (fast Fourier transform), 即利用计算机计算离散傅里叶变换（DFT)的高效、快速计算方法的统称，简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。

FFT的基本思想是把原始的N点序列，依次分解成一系列的短序列。充分利用DFT计算式中指数因子所具有的对称性质和周期性质，进而求出这些短序列相应的DFT并进行适当组合，达到删除重复计算，减少乘法运算和简化结构的目的。此后，在这思想基础上又开发了高基和分裂基等快速算法，随着数字技术的高速发展，1976年出现建立在数论和多项式理论基础上的维诺格勒傅里叶变换算法(WFTA）和素因子傅里叶变换算法。它们的共同特点是，当N是素数时，可以将DFT算转化为求循环卷积，从而更进一步减少乘法次数，提高速度。

快速傅里叶变换 (fast Fourier transform),即利用计算机计算离散傅里叶变换（DFT)的高效、快速计算方法的统称，简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。

FFT（Fast Fourier Transformation）是离散傅氏变换（DFT）的快速算法。即为快速傅氏变换。它是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。

非平稳随机信号：

非平稳信号是指分布参数或者分布律随时间发生变化的信号。平稳和非平稳都是针对随机信号说的，一般的分析方法有时域分析、频域分析、时频联合分析。非平稳随机信号的统计特征是时间的函数。与平稳随机信号的统计描述相似，传统上使用概率与数字特征来描述，工程上多用相关函数与时变功率谱来描述，近年来还发展了用时变参数信号模拟描述的方法。

非平稳的随机信号就是随时会引入新变量的信号，这种信号如果需要传统的dft来进行频域分析，必须先给时域信号加窗，如果不加窗，会导致一个长时间内的频域会出现很多高功率频段，且无法分辨各个频段的到来时间，所以首先要给时域信号加窗，之后再分析。

WVD：

1932年，Wigner 提出了Wigner分布，最初应用于量子力学的研究。1948年，Ville 将其引入信号分析领域，称为Wigner-Ville 分布，简称为WVD分布。1970年，Mark提出Wigner-Ville 分布中最主要的缺陷一交叉干扰项的存在。1980 年，Claasen 和Mecklenbraker联合发表的论文中详细论述了Wigner-Ville 分布的概念、定义、性质以及数值计算等问题。Wigner-Ville分布是分析非平稳时变信号的重要工具，在一定程度上解决了短时傅立叶变换存在的问题。Wigner-Ville分布的重要特点之一是具有明确的物理意义，它可被看作信号能量在时域和频域中的分布。

Wigner-Ville 分布(简称 WVD)是典型的二次型变换，它定义为信号瞬时相关函数的傅立叶变换，反映了信号瞬时时频关系。对于单分量线性调频信号而言，WVD在时频平面上的投影为一条直线，即频率随时间的线性变化关系。实值信号x(t) 的Wigner 分布定义为：

Wigner-Ville分布对正弦信号和线性调频信号具有最好的信号时频聚集度。但是，对于多分量的线性调频信号，其WVD的时频分辨力下降，其时频平面会出现交叉项。图1(a)、1(b) 分别表示单分量线性调频信号和多分量线性调频信号的Wigner-Ville分布的时频平面。

二、核心程序

for n=0:N-1       %  n=nn-3*NN%forl=0:1:L-1;
% ll=L+l;
% nn=3*NN+n;
G(n+1,l+1)=w(L+1+l).*x(3*NN+n+L+1+l);
GG(n+1,l+1)=conj(w(L+1-l).*x(3*NN+n+L+1-l));
f(n+1,l+1)=G(n+1,l+1).*GG(n+1,l+1);l=L:1:2*L-1;
G(n+1,l+1)=w(L+1+l-2*L).*x(3*NN+n+L+1+l-2*L);
GG(n+1,l+1)=conj(w(L+1-l+2*L).*x(3*NN+n+L+1-l+2*L));
f(n+1,l+1)=G(n+1,l+1).*GG(n+1,l+1);end

三、测试结果

up18

利用FFT计算非平稳随机信号的WVD分布相关推荐

利用FFT计算非平稳随机信号WVD分布
clc clear all NN=100; w1=0.001; a1=0.0005; w2=0.001; a2=-0.005; j=sqrt(-1); nn=-3*NN-1:1:3*NN-1; ...
平稳与非平稳随机信号的理解
最近在做stft的相关算法,发现stft的前提条件是在窗函数内信号必须被认为是平稳随机信号,随机信号的平稳和非平稳有什么区别么?总结如下: 1.首先理解随机信号概念,随机信号理论上讲是不能利用公式复现 ...
matlab平稳随机信号,平稳随机信号处理.ppt
平稳随机信号处理图c是用STFT求出的x(n)的联合时频分布后,再求幅平方得到的谱图.该图是三维图形的二维投影,一个轴是时间,一个轴是频率.由该图可以清楚地看到x(n)的时间与频率的关系. (c) ...
【20220629】【信号处理】（平稳随机信号）自相关函数性质的证明过程
目录 1. 偶函数 2. tau=0 处取得最大值 3. 周期函数的自相关函数也是周期函数,且周期和原函数相同 4. 对于非周期信号,当 tau 趋于无穷大时,自相关函数趋于信号平均值的平方 5. 两 ...
现代信号处理——平稳随机信号
一.平稳随机信号的定义狭义(严)平稳随机序列:随机信号的统计特性(均值,方差,自相关,自协方差)不随时间平移而变化,这样的随机信号在实际生活中很难找到. 广义(宽)平稳随机序列:随机信号的均值和方差 ...
现代信号处理——平稳随机信号的功率谱密度
一.相关函数的z变换平稳随机序列是非周期函数,且是能量无限信号,无法直接利用傅里叶变换进行分析. 由前面对自相关函数和自协方差函数的讨论可知: 随机信号的自相关和自协方差收敛了以后,便满足了能够去做 ...
现代信号处理——平稳随机信号通过线性系统
一.输出信号的数字特征确定性信号通过线性时不变系统如果平稳随机信号x(n)通过上述线性时不变系统的输出是y(n),问: y(n)是否为平稳随机信号? 如果x(n)的统计特性已知,如何确定y(n)的 ...
利用 FFT 运算恢复原来的信号,PSD和原来信号之间的关系
明:利用FFT运算实现信号的重构一. 信号建模 % Use Fourier transforms to find the frequency components of a signal burie ...
matlab对非平稳一维信号的小波变换
matlab实验代码如下 clc cleart=linspace(0,2*pi,1024);%信号采样时间点 signal=sin(10*t).*stepfun(t,pi);%实验信号%进行一维离散小 ...

利用FFT计算非平稳随机信号的WVD分布

一、理论基础

二、核心程序

三、测试结果

利用FFT计算非平稳随机信号的WVD分布相关推荐

最新文章

热门文章