提出了一种新的时频分析（TFA）方法，称为非线性STFT（NLSTFT）。 相应的论文“A Non-linear STFT With Application to Estimation of Instantaneous Frequency”已提交给 IEEE 信号处理信函。 我们希望开发一种有效的 TFA 方法，该方法可以表征具有时变瞬时频率的信号。 实际上，传统的TFA方法在处理此类信号时受到限制。 所以为了解决这个问题，我们写了论文并实现了与他人分享我的想法的软件。

对于电压暂降特征测量幅值，持续时间的准确检测是电压质量评估与抑制干扰首要解决的重要课题。本文提出基于对STFT基频幅值曲线增加阈值的新方法。分别用STFT（短时傅里叶变换），小波变换作为时频信号分析工具，针对电压暂降扰动检测问题进行对比研究。电压暂降在起始和结束时刻会产生高频信号，通过检测高频信号发生时刻来定位扰动。使用该方法可在基频幅值曲线图中直观清楚地看出扰动起始和结束时间。并对该方法的抗噪情况进行了研究。仿真结果证明，本文所提出的方法能够准确的定位电压暂降扰动，抗噪能力强，用其来检测电压暂降是一种可行有效的检测方法。

STFT 给出时间信息和信号的频率信息。 我使用了在整个编程过程中显然具有相同宽度的矩形窗口。 我在 2 个不同的时间使用了 2 个频率的信号。 当您看到程序时，将看到使您对STFT更加清楚的图。 更准确地获得时间和频率信息... 随时联系@ yalluri147yella@gmail.com

STFT和小波变换的时频分辨率比较

该文件夹包括了多种时频分析的程序，如stft，cwt，dwt等，使用matlab编写，非c++文件，注意哈！

音频 nnAudio是使用PyTorch卷积神经网络作为后端的音频处理工具箱。 这样，可以在神经网络训练过程中从音频动态生成频谱图，并且可以训练傅立叶内核（例如CQT内核）。 也有类似的概念，他们还使用一维卷积神经网络提取基于频谱图。 其他GPU音频处理工具是和 。 但是他们没有使用神经网络方法，因此不能训练傅立叶基础。 作为PyTorch 1.6.0，torchaudio仍然很难在Windows环境下，由于在安装sox 。 由于nnAudio主要依赖PyTorch卷积神经网络，因此它是跨不同操作系统的更兼容的音频处理工具。 nnAudio的名称来自torch.nn 文献资料 与其他图书馆的比较 特征 可训练的 :check_mark_button: :cross_mark: :check_mark_button: :cross_mark: :cross_mark: :check_mark_button: :cross_mark: 可区分的 :check_mark_button: :check_mark_button: :check_mark_b

自己编写的短时傅里叶变换程序，对处理时频联合分析有一定参考意义，读取wav文件，按帧计算短时傅里叶，用mesh函数画出三维图

%% 函数 [t,frequency,Power_spectrum]=fft_s(y,windowlength) %% 输入： % y：输入原始信号% windowlength：进行快速傅立叶变换的窗口长度，是一个采样频率的百分比因子，例如可以输入窗口长度% 采样频率的一半，输入 0.5，如果 fs =1000，则% 窗口是 500 个样本长度% 整形：将信号整形为窗口长度的长度。 如果你的% 信号已经被分块，否则它应该总是为零% = 1; % gr : 绘图与否（0 绘图，1 无绘图） %% 示例：[t,frequency,Power_spectrum]=fft_s(EMG,0.1,1000,1,1) %% 输出： % t : 时间% 频率 : 频率% Power_spectrum : 功率谱％％ 方法： % 用 windowlength 的 elength 分块信号并得到% 快速傅

这是一个短时傅立叶变换的程序，代码解释清楚，适合刚入门的同学掌握短时傅立叶的变换思想。

将理想的二进制掩码应用于噪声损坏的语音信号。 该处理在基于 FFT 的短时频谱分析-修改-合成框架内进行。 理想的二元掩码是根据预言机（真实）信噪比 (SNR) 通过具有本地 SNR 标准的阈值计算得出的。 该例程返回合成的增强语音、理想的二进制掩码和真实的瞬时频谱 SNR。