“短時間フリエ変換”は，非定常多成分信号の解析に役立線形時間-周波数表現です。

短時間フリエ変換は可逆変換です。

スペクトログラムは，stftの振幅の2乗です。

2つの信号のクロススペクトログラムを計算して,時間——周波数空間での類似度を調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。パシステンススペクトルはパワ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。

音声信号処理:基本波周波数推定,クロス合成,スペクトル包絡線抽出,時間——スケール変更,タイムストレッチ,ピッチシフト。(詳細は)異なる合成ウィンドウと解析ウィンドウをもを参照)。

きれ検出:超音波ラム波の分散曲線を使用した，アルミニウム板のきれの検出。

センサ配列処理:ソナ探査，物理探査，ビミング。

デジタル通信:周波数ホッピング信号の検出。

stftは短時間フリエ変換を計算します。短時間フリエ変換の逆変換を行うには，関数istftを使用します。

dlstftは深層学習の短時間フリエ変換を計算します。深度学习工具箱™がンストルされていなければなりません。

pspectrumまたは光谱图はスペクトログラムを計算します。

xspectrogramは，2 .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econf econfザ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econf econfザのパ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識別します。

ウェブレット変換は，時間シフトと時間スケリングを維持する線形時間-周波数表現です。

“連続ウェブレット変換”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は可逆変換です。

CWTは，可変サ电子书阅读器ズのウィンドウで時間-周波数平面をタ电子书阅读器リングします。ウィンドウの時間の幅は，低周波数の現象に適するように，自動的に広がります。また，高周波数の現象の場合は狭くなります。

心電図(ecg):心电图信号の臨床的に最も有用な情報は,連続した波形の時間間隔と特徴によって定義される振幅にあります。ウェーブレット変換は心电图信号をスケールに分解し,さまざまな周波数範囲の心电图信号の解析を容易にします。

脳波図(eeg)输出说明:生のeeg信号は空間分解能とs / n比が低く，アティファクトが発生します。ノイズ信号の連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,大きな絶対値を持ついくつかのウェーブレット係数に固有の信号情報を集中させます。そのため，ウェズ除去ができます。

信号復調:適応ウェブレット構成手法を使用して，“拡張2位相シフトキング(ebpsk)”を復調します。

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習に使用できる時間——周波数表現を作成できます。ウェブレット解析と深層学習を使用した時系列の分類(小波工具箱)は，スカログラムと転移学習を使用してecg信号を分類する方法を示しています。

类(小波工具箱)は連続ウェブレット変換を計算し，スカログラムを表示します。または，cwtfilterbank(小波工具箱)を使用してCWTフィルタバンクを作成し，関数wt(小波工具箱)を適用します。この手法は,並列化アプリケーションで実行する場合や,ループ内にある複数の関数の変換を計算する場合に使用します。

icwt(小波工具箱)は連続ウェブレット変換の逆変換を行います。

信号アナラeconf econfザには，時系列のCWTを可視化するスカログラム表示があります。

“Wigner-Ville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-维尔分布は，信号が複素数の場合でも常に実数です。

時間周辺密度と周波数周辺密度はそれぞれ，瞬時電力とスペクトルエネルギ密度に対応しています。

瞬時周波数と群遅延は，Wigner分布の局所的1次モメントを使用して評価できます。

WVDの時間分解能は，入力サンプルの数に等しくなります。

Wigner分布は，局所的に負の値を想定できます。

耳音響放射(oae):探索は蝸牛(内耳)から発せられる狭帯域振動信号で,これがあることは正常な聴力を示します。

量子力学:古典的な統計力学に対する量子補正,電子伝達のモデル化,多体量子システムの静的特性と動的特性の計算。

项はWigner-Ville分布を計算します。

xwvdは2の信号の交差Wigner-Ville分布を計算します。詳細にいては，交差Wigner-Ville分布を使用した瞬時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，チャンパルスの厳密な局所化が行われます。

“フリエシンクロスクズド変換”は,短時間フーリエ変換から開始し,時間——周波数平面で瞬時周波数の曲線の周囲に集中するようにその値を”押し込み”ます。

“ウェブレットシンクロスクズド変換”は，信号エネルギ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esxi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。

音声信号処理:シンクロスクイージング変換(SST)は元はオーディオ信号解析のコンテキストで導入されました。

地震デタ:石油トラップやガストラップを見けるための地震デタの解析。シンクロスクジングにより，地震デタ内の通常は不鮮明な深層の弱い信号も検出できます。

電力系統の振動:蒸気タービンと発電機は,さまざまなタービン段と発電機の間に機械的準同期振動(SSO)モードをもつことがあります。SSOの周波数は一般に5赫兹~ 45赫兹であり,多くの場合,モード周波数は互いに近くなります。WSSTのノ，ズ低減機能と時間-周波数分解能により，時間-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換を使用して,時間——周波数の特徴を抽出し,時系列データを分類するネットワークに送ることができます。深層学習を使用した波形セグメンテションは，ecg信号を分類するLSTMネットワクにfsst出力を送る方法を示しています。

光谱图の“重新分配”オプションを使用して，pspectrumの引数“重新分配”を真正的に設定するか，信号アナラeconf econfザ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計算します。

fsstはフリエシンクロスクズド変換を計算します。フリエシンクロスクズド変換の逆変換を行うには，関数ifsstを使用します。（ifsstを使用した音声信号の再構成にいては，音声信号のフリエシンクロスクズド変換を参照してください)。

墓场(小波工具箱)はウェブレットシンクロスクズド変換を計算します。ウェブレットシンクロスクズド変換の逆変換を行うには，関数iwsst(小波工具箱)を使用します。（iwsst(小波工具箱)を使用した二次チャプの再構成にいては，啁啾的逆同步压缩变换(小波工具箱)を参照してください)。

"定问非定常ガボル変換”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(问係数)は一定のままです。

定问ガボル変換では，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。

周波数空間では，ウィンドウは対数的に等間隔の中心周波数を中心とします。

音声信号処理:音楽のトンの基本周波数は，幾何学的に配置されています。人間の聴覚系の周波数分解能はほぼ定问であるため，この手法は音楽信号処理に適しています。

cqt(小波工具箱)は定问ガボル変換を計算します。

icqt(小波工具箱)は定问ガボル変換の逆変換を行います。

“経験的モド分解”は，信号を“固有モド関数”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。

“変分的モド分解”は，信号を少数の狭帯域固有モド関数に分解します。この手法では,制約のある変分の問題を最適化すること,ですべてのモード波形とその中心周波数を同時に計算します。

“経験的ウェブレット変換”は，信号を"多重解像度解析(mra)コンポネント"に分解します。この手法では,経験的ウェーブレットとスケーリングフィルターを自動的に特定し,エネルギーを維持する,適応ウェーブレット細分割スキームを使用します。

“ヒルベルト·ファン変換”は，各固有モド関数の瞬時周波数を計算します。

"最大重複離散ウェブレット変換(modwt)"は，详细信息係数とスケリング係数全体に信号のエネルギを分割します。Modwtは非間引き離散ウェブレット変換であり，シフト不変の変換を必要とする用途に役立ます。マルチスケル分散推定値および相関推定値の取得や，逆変換が可能です。

“調整可能なqファクタウェブレット変換”では,エネルギーがコンポーネント間で分割されるパーセバルフレーム分解と,信号の完全再構成が可能です。調整可能な问ファクターウェーブレット変換は,ユーザー指定の问ファクターを使用してMRAを作成する手法です。Qファクタは，変換に使用するフィルタの帯域幅に対する中心周波数の比率です。

これらの手法を組み合わせると，非線形信号と非定常信号の解析に役立ます。

生体信号処理:大脳皮質の経頭蓋磁気刺激(tms)に対する人間のeeg応答を解析します。

構造物に関する用途:梁や板にきれ。

システム同定:近接した間隔のモダル周波数をも構造のモダル減衰比を分離します。

海洋工学:水中の電磁環境で人間によって引き起こされる過渡電磁による外乱を特定します。

太陽物理学:黒点デタの周期的な成分を抽出します。

大気乱流:安定した境界層を観察して，乱流運動と非乱流運動を分離します。

疫学:デング熱などの伝染病の移動速度を評価します。

emdは経験的モド分解を計算します。

vmdは変分的モド分解を計算します。

易(小波工具箱)は経験的ウェブレット変換を計算します。

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

modwt(小波工具箱)は最大重複離散ウェブレット変換を計算します。Mra解析を取得するには，modwtmra(小波工具箱)を使用します。

tqwt(小波工具箱)は調整可能なqファクタウェブレット変換を計算します。Mra解析を取得するには，tqwtmra(小波工具箱)を使用します。