Signal Processing Toolbox
Signalverarbeitung und -analyse
Die Signal Processing Toolbox™ bietet Funktionen und Apps zur Analyse, Vorverarbeitung und Extraktion von gleichmäßig und ungleichmäßig abgetasteten Signalen. Die Toolbox umfasst Tools für Filterdesign und -analyse, Resampling, Glättung, Trend-Eliminierung und Leistungsspektrenschätzung. Die Toolbox bietet auch Funktionen zur Extraktion von Merkmalen wie Änderungspunkten und Hüllkurven, zum Suchen von Spitzen und Signalmustern, Quantifizieren von Signalähnlichkeiten und zur Durchführung von Messungen wie z. B. des Signal-Rausch-Verhältnisses und der Verzerrung. Sie können eine Modal- und Ordnungsanalyse der Schwingungssignale durchführen.
Mit der Signal-Analyzer App können Sie mehrere Signale simultan im Zeit-, Frequenz- und Zeit-Frequenz-Bereich vorverarbeiten und analysieren, ohne Code schreiben, lange Signale untersuchen oder Bereiche von Interesse extrahieren zu müssen. Mit der Filter Designer-App können Sie digitale Filter entwerfen und analysieren, indem Sie aus vielen verschiedenen Algorithmen und Filterantworten auswählen. Beide Apps generieren MATLAB®-Code.
Erste Schritte:
Vorverarbeitung und Merkmalsextraktion
Nutzen Sie integrierte Funktionen und Apps, um Signale zu bereinigen und unerwünschte Artefakte zu entfernen, bevor Sie ein tiefes Netz trainieren.
Extrahieren von Zeit-, Frequenz- und Zeit-Frequenz-Domänen-Merkmalen aus Signalen, um die Merkmale zu verbessern und die Variabilität und Datendimensionalität für das Training von Deep-Learning Modellen zu reduzieren.
Klassifikation von EKG-Signalen mit LSTM-Netzen (Long Short-Term Memory)
Kennzeichnung und Datensatzverwaltung
Verwenden Sie die Signal-Labeler-App, um Signale mit Attributen, Regionen und Points of Interest zu kennzeichnen. Erstellen Sie verschiedene Arten von Etiketten und Unteretiketten.
Die Verwaltung großer Signaldatenvolumen, die für die Speicherkapazität zu umfangreich sind, ist mithilfe von Signaldatenspeichern möglich.
Zu untersuchende Signale kennzeichnen
Referenzbeispiele
Verwenden Sie Beispiele, um mit Machine Learning und Deep Learning für Signale zu beginnen.
Wellenform-Segmentierung mit Deep Learning
Untersuchung von Signalen
Mit der Signal-Analyzer-App können Sie Signale im Zeit-, Frequenz- und Zeit-Frequenz-Bereich analysieren und visualisieren. Ermitteln von Regions of Interest (ROIs) für weitere Analysen.
Mit der Signal-Analyzer-App können Sie auch Signale unterschiedlicher Dauer zur gleichen Zeit und in der gleichen Ansicht messen und analysieren.
Ermitteln von Regions of Interest aus Walgesang
Datenvorverarbeitung
Vorbereitung von Daten für nachfolgende Analysen durch Entrauschung, Glättung und Trendbereinigung. Ausreißer und Störgrößen aus den Daten entfernen.
Verstärken und visualisieren Sie Signale und erkennen Sie Muster. Die Abtastrate eines Signals ändern oder eine konstante Abtastrate für unregelmäßig abgetastete Signale oder Signale mit fehlenden Daten erstellen.
Verarbeitung eines Signals mit fehlenden Abtastwerten
Deskriptive Statistik
Berechnen Sie allgemeine deskriptive Statistiken wie Maxima, Minima, Standardabweichungen und RMS-Werte. Änderungspunkte in Signalen finden und Signale mithilfe von dynamischem Time Warping ausrichten
Signalspitzen finden und deren Höhe, Breite und den Abstand zum Nachbarn bestimmen Signalmerkmale im Zeitbereich wie Amplitude und Einhüllende messen
Impuls- und Übergangsmetriken
Anstiegszeit, Abfallzeit, Anstiegsgeschwindigkeit, Überschwingen, Unterschwingen, Einschwingzeit, Pulsbreite, Pulsdauer und Tastverhältnis messen
Anstiegsgeschwindigkeit einer dreieckigen Wellenform
Spektralmessungen
Berechnen Sie die Bandbreite und die mittlere oder mittlere Frequenz für Signale oder das Leistungsspektrum. Messen von Signal-Rausch-Verhältnis (SNR), gesamter harmonischer Verzerrung (THD) und Verhältnis der Gesamtsignalleistung zur Rausch- und Verzerrungsleistung (SINAD). Messen Sie die harmonische Verzerrung.
Schätzen Sie die Momentanfrequenz, die spektrale Entropie und die spektrale Kurtosis.
Messen der Leistung eines Signals
Digitale Filter
Entwerfen, analysieren und implementieren Sie mit der Anwendung Filter Designer eine Vielzahl digitaler FIR- und IIR-Filter, wie z.B. Tiefpass-, Hochpass- und Bandsperrfilter. Visualisieren Sie Größe, Phase, Gruppenlaufzeit, Impulse und Sprungantworten.
Untersuchen Sie Filterpole und Nullstellen. Bewerten Sie die Filterleistung durch Testen der Stabilität und Phasenlinearität. Wenden Sie Filter auf die Daten an und entfernen Sie Verzögerungen und Phasenverzerrungen durch Nullphasenfilterung.
Analogfilter
Entwerfen und analysieren Sie analoge Filter, einschließlich Butterworth-, Tschebyscheff-, Bessel- und elliptische Filter.
Führen Sie eine Analog-Digital-Filterumwandlung unter Verwendung von Diskretisierungsmethoden wie der Impulsinvarianz und der bilinearen Transformation durch.
Vergleich von analogen IIR-Tiefpassfiltern
Spektrale Schätzung
Schätzen Sie die Spektraldichte mit nichtparametrischen Methoden, einschließlich des Periodogramms, der Welchschen Methode der Mittelwertbildung überlappender Segmente sowie der Multitaper-Methode. Implementieren Sie parametrische und Subraum-Methoden wie Burg's, Kovarianz und MUSIC zur Schätzung von Spektren.
Berechnen Sie das Leistungsspektrum von ungleichmäßig abgetasteten Signalen oder Signalen mit fehlenden Abtastwerten mithilfe der Lomb-Scargle-Methode Messen Sie Signalähnlichkeiten im Frequenzbereich durch Schätzung der spektralen Kohärenz.
Welch-Spektrum-Schätzungen
Fensterfunktionen
Implementieren und visualisieren Sie gängige Fensterfunktionen. Verwenden Sie die Window Designer -App, um Fenster zu entwerfen und zu untersuchen. Vergleichen Sie die Breiten der Hauptmaxima (Mainlobe) und die Ebenen der Nebenmaxima (Sidelobe) von Fenstern in Abhängigkeit von ihrer Größe und anderen Parametern.
Entwerfen und untersuchen Sie Spektralfenster
Zeit-Frequenz-Verteilungen
Verwenden Sie die Kurzzeit-Fourier-Transformation, Spektrogramme oder Wigner-Ville-Verteilungen zur Analyse von Signalen mit zeitlich variierendem Spektralgehalt. Verwenden Sie das Kreuzspektrogramm, um Signale in der Zeit-Frequenz-Domäne zu vergleichen.
Kurzzeit-Fouriertransformation
Neuzuweisung und Synchrosqueezing
Verwenden Sie die Neuzuweisungstechnik zur Schärfung der Lokalisierung von Zeit-Häufigkeitsschätzungen. Identifizieren Sie Zeit-Frequenz-Stege mithilfe von Synchrosqueezing.
Sofortige Frequenz komplexer Chirp-Signale
Datenadaptive Umwandlungen
Durchführung einer datenadaptiven Zeit-Frequenz-Analyse unter Verwendung empirischer Modizerlegung, Variationsmodus-Zerlegung und Hilbert-Huang-Transformation.
Empirische Modus-Zerlegung
Untersuchung der Reihenfolge
Verwenden Sie die Ordnungsanalyse zur Analyse und Visualisierung von Spektralinhalten, die in rotierenden Maschinen auftreten.
Verfolgen und Extrahieren von Reihenfolgen und deren Wellenformen im Zeitbereich. Verfolgen und extrahieren Sie Drehzahlprofile aus Schwingungssignalen. Entfernen Sie Rauschen kohärent mit zeitsynchroner Mittelwertbildung.
Schwingungsanalyse rotierender Maschinen
Modalanalyse
Führen Sie eine experimentelle Modalanalyse durch, indem Sie Frequenzgangfunktionen, Eigenfrequenzen, Dämpfungsverhältnisse und Modenformen schätzen.
Modalanalyse eines flexibel fliegenden Tragflächenflugzeugs
Ermüdungsanalyse
Erzeugen Sie Regenflusszählungen mit hohen Zyklen für die Ermüdungsanalyse.
Regenflusszählung für die Ermüdungsanalyse
Beschleunigen Sie Ihren Code
Machen Sie Ihren Code durch den Einsatz von GPU- und Multicore-Prozessoren für unterstützte Funktionen schneller.
Beschleunigung der Korrelation mit GPUs
Codegenerierung
Generieren von C/C++-Code und MEX-Dateien in Produktionsqualität für den Einsatz in Desktop- und eingebetteten Anwendungen mit MATLAB Coder.
Generieren Sie optimierten CUDA-Code für unterstützte Funktionen und verwenden Sie ihn in NVIDIA-GPUs.
Codegenerierung für die Nullphasenfilterung
Signal-Labeler-App
Interaktive oder automatisierte Kennzeichnung von Signalen
Signal-Datenspeicher
Arbeiten Sie mit Signalsammlungen, die im Workspace oder in Dateien vorhanden sind
Zeit-Frequenz-Analyse
Nutzen Sie die Variational Mode Decomposition, um intrinsische Modi zu extrahieren
Deep-Learning-Beispiele
Verwenden Sie Zeit-Frequenz-Analysen und neuronale Netze zur Klassifizierung und Etikettierung
Tall-Arrays
Arbeiten Sie mit den Spektrogramm- und stft-Funktionen auf hohen Arrays
Unterstützung von GPU-Codegenerierung
Erzeugen Sie CUDA-Code für die fftfilt- und stft- Funktionen
GPU-Beschleunigung
Beschleunigen Sie die Funktionen spectrogram, czt, stft und wvd
Unterstützung von C/C++-Code-Generierung
Erzeugen von Code für Zeit-Frequenz-Analyse, Merkmalsextraktion, Spektralanalyse, Multiraten-Signalverarbeitung und Filterdesign
Details zu diesen Features und den zugehörigen Funktionen finden Sie in den Release Notes.
