“短时间フーリエ変换”は，非定常多成分信号の解析に役立つ线形时间 - 周波数表现です。

短时间フーリエ変换は可逆変换です。

スペクトログラムは，STFTの振幅の2乘です。

2つの信号のクロススペクトログラムを计算して，时间 - 周波数空间での类似度を调べることができます。

信号の“パーシステンススペクトル”は,与えられた周波数が信号内に存在する時間の割合を示す時間——周波数領域の表示です。パーシステンススペクトルはパワー周波数空間のヒストグラムです。信号が変化する中で特定の周波数が信号内に存在する時間が長ければ長いほど,その時間の割合は大きくなるため,表示内の色が明るく(“熱く”)なります。

音声信号处理：基本波周波数推定，クロス合成，スペクトル包络线抽出，时间 - スケール変更，タイムストレッチ，ピッチシフト（详细は異なる合成ウィンドウと解析ウィンドウをもつフェーズボコーダーを参照）。

きれつ検出：超音波ラム波の分散曲线を使用した，アルミニウム板のきれつの検出。

センサー配列处理：ソナー探查，物理探查，ビームフォーミング。

デジタル通信：周波数ホッピング信号の検出。

STFTは短時間フーリエ変換を計算します。短時間フーリエ変換の逆変換を行うには,関数ISTFTを使用します。

pspectrumまたは频谱はスペクトログラムを计算します。

xspectrogramは2つの信号のクロススペクトログラムを計算します。

信号アナライザーのスペクトログラム表示を使用して，信号のスペクトログラムを表示することもできます。

pspectrumまたは信号アナライザーのパーシステンススペクトルオプションを使用して，他の信号の中に隠れている信号を识别します。

ウェーブレット変换は，时间シフトと时间スケーリングを维持する线形时间 - 周波数表现です。

“连続ウェーブレット変换”は,非定常信号の過渡状態の検出や,瞬時周波数が急速に増大する信号に適しています。

CWTは可逆変换です。

CWTは，可変サイズのウィンドウで时间。 - 周波数平面をタイリングしますウィンドウの时间の幅は，低周波数の现象に适するように，自动的に広がりますまた，高周波数の现象の场合は狭くなります。

心电図（ECG）：ECG信号の临床的に最も有用な情报は，连続した波形の时间间隔と特徴によって定义される振幅にありますウェーブレット変换はECG信号をスケールに分解し，さまざまな周波数范囲のECG信号の解析を容易にします。

脳波図（EEG）：生のEEG信号は空间分解能とS / N比が低く，アーティファクトが発生しますノイズ信号の连続ウェーブレット分解は，ノイズのランダム分布を変更せずに，大きな绝対値を持ついくつかのウェーブレット系数に固有の信号情报を集中させます。そのため，ウェーブレット系数をしきい値处理することでノイズ除去ができます。

信号復調：适応ウェーブレット构成手法を使用して，“拡张2位相シフトキーイング（EBPSK）”を复调します。

深層学習：CWTを使用して，畳み込みニューラルネットワークの学习に使用できる时间 - 周波数表现を作成できます。分类时间序列的小波分析和深入学习（小波工具箱）は，スカログラムと転移学习を使用してECG信号を分类する方法を示しています。

英担は连続ウェーブレット変换を计算し，スカログラムを表示します。または，cwtfilterbankを使用してCWTフィルターバンクを作成し,関数重量を适用します。この手法は，并列化アプリケーションで実行する场合や，ループ内にある复数の关数の変换を计算する场合に使用します。

ICWTは連続ウェーブレット変換の逆変換を行います。

信号アナライザーには，复数の时系列のCWTを可视化するスカログラム表示があります。

“维格纳分布”(项)は信号をその信号の時間と周波数が変換された複素共役バージョンと相関させることで計算される二次エネルギー密度です。

维格纳分布は，信号が复素数の场合でも常に実数です。

时间周辺密度と周波数周辺密度はそれぞれ，瞬时电力とスペクトルエネルギー密度に対応しています。

瞬时周波数と群遅延は，维格纳分布の局所的1次モーメントを使用して评価できます。

WVDの时间分解能は，入力サンプルの数に等しくなります。

维格纳分布は，局所的に负の値を想定できます。

耳音響放射(探索)：OAEは蜗牛（内耳）から発せられる狭帯域振动信号で，これがあることは正常な聴力を示します。

量子力学：古典的な统计力学に対する量子补正，电子伝达のモデル化，多体量子システムの静的特性と动的特性の计算。

WVDは维格纳分布を计算します。

xwvdは2つの信号の交差维格纳分布を计算します详细。は，交差维格纳分布を使用した瞬时周波数の推定を参照してください。

“再割り当て”では,スペクトル推定の局所化が鮮明になり,読み取りと解釈の容易なスペクトログラムが作成されます。この手法では,各スペクトル推定はビンの幾何学的中心ではなく,そのビンのエネルギー中心に移動されます。これにより,チャープとインパルスの厳密な局所化が行われます。

“フーリエシンクロスクイーズド変换”は，短时间フーリエ変换から开始し，时间 - 周波数平面で瞬时周波数の曲线の周囲に集中するようにその値を “押し込み” ます。

“ウェーブレットシンクロスクイーズド変換”は，信号エネルギーを周波数で再割り当てします。

フーリエシンクロスクイーズド変換とウェーブレットシンクロスクイーズド変換は両方とも可逆変換です。

再割り当て手法とシンクロスクイージング手法は,時間——周波数“リッジ”の追跡と抽出に特に適しています。

音声信号处理：シンクロスクイージング変换（SST）は，元はオーディオ信号解析のコンテキストで导入されました。

地震データ：石油トラップやガストラップを见つけるための地震データの解析シンクロスクイージングにより，地震データ内の通常は不鲜明な深层の弱い信号も検出できます。

电力系统の振动：蒸気タービンと発电机は，さまざまなタービン段と発电机の间に机械的准同期振动（SSO）モードを持つことがあります.SSOの周波数は一般に5赫兹〜45赫兹であり，多くの场合，モード周波数は互いに近くなります.WSSTのノイズ低减机能と时间 - 周波数分解能により，时间 - 周波数の表示の可読性が向上します。

深層学習：シンクロスクイーズド変换を使用して，时间 - 周波数の特徴を抽出し，时系列データを分类するネットワークに送ることができます。深层学习を使用した波形セグメンテーションは，ECG信号を分类するLSTMネットワークにfsst出力を送る方法を示しています。

频谱の“重新分配”オプションを使用して，pspectrumの引数“重分配”を真正に设定するか，信号アナライザーのスペクトログラム表示内の[再割り当て]ボックスをオンにして，再割り当てされたスペクトログラムを计算します。

fsstはフーリエシンクロスクイーズド変换を计算します。フーリエシンクロスクイーズド変换の逆変换を行うには，关数ifsstを使用します。（ifsstを使用した音声信号の再构成については，音声信号のフーリエシンクロスクイーズド変换を参照してください)。

WSSTはウェーブレットシンクロスクイーズド変換を計算します。ウェーブレットシンクロスクイーズド変換の逆変換を行うには,関数iwsstを使用します。（iwsstを使用した二次チャープの再構成については,逆变换Synchrosqueezed的啁啾（小波工具箱）を参照してください）。

“定Q非定常ガボール変换”はさまざまな中心周波数と帯域幅のウィンドウを使用し，帯域幅に対する中心周波数の比率（Q系数）は一定のままです。

定Qガボール変換では,安定した逆変換の構成が可能になり,信号の完全再構成ができます。

周波数空间では，ウィンドウは対数的に等间隔の中心周波数を中心とします。

CQTは定Qガボール変換を計算します。

icqtは定Qガボール変换の逆変换を行います。

“経験的モード分解”は，信号を“固有モード关数”に分解し，元の信号の完全でほぼ直交する基底を形成します。

“ヒルベルト·ファン変换”は，各固有モード关数の瞬时周波数を计算します。

これらの2つの手法を组み合わせると，非线形信号と非定常信号の解析に役立ちます。

生体信号处理:大脳皮質の経頭蓋磁気刺激(TMS)に対する人間の脑电图応答を解析します。

构造物に关する用途：梁や板にきれつ，层间剥离，刚性损失として现れる异常を见つけます。

システム同定：近接した间隔のモーダル周波数を持つ构造のモーダル减衰比を分离します。

海洋工学：水中の电磁环境で人间によって引き起こされる过渡电磁による外乱を特定します。

太阳物理学：黒点データの周期的な成分を抽出します。

大気乱流：安定した境界层を観察して，乱流运动と非乱流运动を分离します。

疫学：デング热などの伝染病の移动速度を评価します。

EMDは経験的モード分解を計算します。

遗传性出血性毛细血管扩张症は経験的モード分解のヒルベルト・ファンスペクトルを計算します。