- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
Python实现“EMDEEMDVMD+Hilbert时频图”与“CWT小波时频图”
Python实现“EMD\EEMD\VMD+Hilbert时频图”与“CWT小波时频图” 信号处理中常需要分析时域统计量、频率成分，但不平稳信号的时域波形往往复杂、无序，且傅里叶变换得到的频率成分是该时间段内的平均频率 由于网上只有CWT小波时频图的python代码，笔者自编了不同分解算法+Hilbert时频图的代码与其比较。 EMD分解所得IMF分量，可知分量1存在模态混叠现象： 时频图： b、EEMD分解+Hilbert时频图 EEMD分解所得IMF分量，可知分量1仍然存在模态混叠现象： 时频图，相比EMD，300Hz更加集中： c、VMD分解+Hilbert时频图 VMD分解所得IMF分量，默认模态个数设为10，可知基本能准确分出100、200、300Hz分量，但还存在端点效应 ： 时频图，频率成分更加集中，效果更好： 2、CWT小波时频图 连续小波时频图是转载自知乎文章 连续小波变换(CWT)时频图绘制 python实现 # -*- coding: utf-
5.7K40编辑于 2022-11-17 - 来自专栏用户4866861的专栏
5G信号技术用到的时频技术
1588v2协议的授时技术原理都很清楚，以太网从10兆到100兆提升以后发现定时能力不足就做了NTP，我们电脑里的时间都是通过NTP协议来获取的。 所以才驱动了PTP1588对时协议用起来。用的时候它主要是在本地应用，所以中国联通没有把它做三级架构。 5G来了以后，也分了三种业务，一个是基本业务，就是刚才提到的三微秒那个需求。 未来如果有窄波聚合的需求，聚合不是主网的聚合，只是部分区域的，针对部分区域可以用NTP时间服务器，现在新的双频接收技术，通过卫星的两个频点去接收，这样来算对流层更精确一些，恢复的时间更精准一些。 这个是5G的基站，雄安当时布了一些5G的基站，中国联通也是想配合5月10号的发布会，也做了一些华为的5G基站跟踪北斗的测试情况。右下角上面是时间，下面是频率，56个小时，可以看到也是很稳定。 在使用双模卫星作为参考时钟时，SYN2401型PTP精密主时钟跟踪UTC的精度优于100ns，可通过以太网提供百纳秒级的时间信号源。 随着无线技术的发展，同步肯定是越来越重要的。
1K51发布于 2020-09-17 - 来自专栏全栈程序员必看
matlab 时频分析（短时傅里叶变换、STFT）「建议收藏」
短时傅里叶变换，short-time fourier transformation，有时也叫加窗傅里叶变换，时间窗口使得信号只在某一小区间内有效，这就避免了传统的傅里叶变换在时频局部表达能力上的不足，使得傅里叶变换有了局部定位的能力 nooverlap = win_sz - 1; [S, F, T] = spectrogram(y, window, nooverlap, nfft, fs); imagesc(T, F, log10 time fourier transform spectrum') 2. cwt：连续小波变换 Time-Frequency Analysis of Modulated Signals 小波变换进一步拓展了时频局部分析的能力 tquad,f,'surf','CWT of Quadratic Chirp','Seconds','Hz') 这里选择的是 bump 型小波，选择该类型的原因在于，当信号震荡剧烈，且更关注信号局部瞬变的时频分析 helperCWTTimeFreqPlot(S,T,F,'surf','STFT of Quadratic Chirp','Seconds','Hz') 这里可以进一步对比 STFT（短时傅里叶变换）和 CWT（连续小波变换）在时频分析上的精细化刻画能力
3.1K10编辑于 2022-09-19 - 来自专栏云深之无迹
时频图：同时看时间和频率的分布地图
在这个里面，时域图的信息不好分析，会换到频域，如果时间长了就换成了时频图，其实就是“同时看时间和频率”的地图。 NG电机样品的时频图 普通频谱在看什么？ 时频图在看什么？ 时频图就是为了解决这个问题： 频率随时间是怎么变化的？ 这类图常见名字有： Spectrogram（谱图 / 频谱图）——实际上就是一种时频图 波形 → 短时傅里叶变换（STFT）→ → 时频图 背后的“滑动 FFT”（以 STFT 为例） 典型做法（短时傅里叶变换 ）： 把 或 画成彩色图，就是时频图。 （谱图） --- plt.subplot(3, 1, 3) # 这里用 10*log10 做成 dB 标度，看着更直观 Sxx_dB = 10 * np.log10(Sxx + 1e-12) # 防止
67610编辑于 2026-01-07 秒表时间检定仪时频计量行业保驾护航
秒表检定仪也称为时间检定仪、毫秒表检定仪，是依据《JJG237-2010 秒表检定规程》和《JJG601-2022 时间检定仪检定规程》设计，用于计量电子秒表、机械秒表、指针式电秒表、数字毫秒表等常用计时表类以及近年来市面上代替秒表用的计时器时间的设备。
12400编辑于 2025-06-12- 来自专栏脑电信号科研科普
时频分析方法及其在EEG脑电中的应用
但是，本文献综述表明，脑电时频分析尚未被发展认知神经科学领域所广泛应用。 因此，本文从概念上介绍时频分析，为了让研究人员便于使用时频分析，还提供了一个可访问脚本教程，用于计算时频功率（信号强度）、试次间相位同步（信号一致性）和两种基于相位的连接类型（通道间相位同步和加权相位滞后指数 时频（TF）分析可以更好地表征EEG数据中包含的三个振荡特征的时间动力学:频率、功率和相位。 类似地，TF分析捕捉到500 ms时功率和频率增加时的10 Hz锁相振荡。作为一个单独的测量，TF分析还提供了给定频率的相位随时间的估计。 在图1的例子中，非锁相分量在6Hz时产生的ITPS值为约从0到200毫秒。相比之下，在10Hz的锁相分量的ITPS为1.0，表明在整个trials中完美的相位一致性。
2.3K20编辑于 2022-05-16 - 来自专栏算法工程师的学习日志
Matlab短时傅里叶变换和小波变换的时频分析
一段时间没写公众号，今天正好有个朋友发了一段语音，可以用来做信号分析，故分享一下MATLAB短时傅里叶变换和小波变换的时频分析 简介 本文主要给定一小段音频，通过短时傅里叶变换和小波变换制作时频图。 P---能量谱密度PSD(Power Spectral Density)，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定F频率向量时，P为双边PSD。 F, T, P] = spectrogram(Au(:,1),1024,512,1024,Fs); % B是F大小行T大小列的频率峰值，P是对应的能量谱密度 figure imagesc(T,F,10 *log10(abs(P))); set(gca,'YDir','normal') colorbar; xlabel('时间 t/s'); ylabel('频率 f/Hz'); title('短时傅里叶时频图 imagesc(t,f,abs(coefs)); set(gca,'YDir','normal') colorbar; xlabel('时间 t/s'); ylabel('频率 f/Hz'); title('小波时频图
2.6K30编辑于 2022-07-27 多通道时间间隔测量模块在时频行业的重要性
时间间隔测量在科学研究、工程技术、日常生活等多个领域都具有重要的意义和作用，具体如下：
22100编辑于 2025-06-12- 来自专栏腾讯云中间件的专栏
腾讯云消息队列产品10月产品动态
10月动态 消息队列 RocketMQ 版 【商业化】消息队列 RocketMQ 版专享集群正式商业化。基于开源RocketMQ打造，兼容社区SDK，具有低延迟、高性能、高可靠、万亿级消息吞吐等特点。 ★ 消息队列 RabbitMQ 版 【商业化】10月9日起，消息队列 RabbitMQ 版专享集群正式商业化。 【新功能】当 Consumer Group 状态为 Empty 时，支持删除关联的某个 Topic 的订阅关系。 【新功能】支持流出数据到时序数据库（CTSDB）和分析型数据库 Doris。 往期 推荐 《腾讯云微服务引擎 TSE 9月产品动态》 《百万级 Topic，Apache Pulsar 在腾讯云的稳定性优化实践》 《预告|ArchSummit 全球架构师峰会杭州站即将盛大开幕》 《 PolarisMesh北极星 V1.11.3 版本发布》 《Spring Cloud Tencent 1.7 版本最新发布》 《腾讯云微服务引擎 TSE 产品动态》 《千亿级、大规模：腾讯超大 Apache
3.7K20编辑于 2022-11-02 - 来自专栏用户5909132的专栏
产品动态 | 图片智能处理 10月产品更新
10月，数据万象联合腾讯云 AI 和腾讯优图实验室推出了一些新的功能，针对存储在腾讯云对象存储 COS 上的图片，以更高效、更便捷的方式进行智能化处理。 总结 腾讯云存储产品通过产品优化，提供专业化的解决方案，协助企业更好地实现业务扩张，更加平滑地将数据上云，助力各行各业的数字化、智能化转型。
82130发布于 2021-11-15 - 来自专栏腾讯云存储
产品动态 | 图片智能处理 10月产品更新
10月，数据万象联合腾讯云 AI 和腾讯优图实验室推出了一些新的功能，针对存储在腾讯云对象存储 COS 上的图片，以更高效、更便捷的方式进行智能化处理。 总结 腾讯云存储产品通过产品优化，提供专业化的解决方案，协助企业更好地实现业务扩张，更加平滑地将数据上云，助力各行各业的数字化、智能化转型。
73430发布于 2021-11-12 - 来自专栏腾讯云智能·AI公有云
产品动态 | 腾讯云AI 10月产品更新
10月，文字识别OCR、语音识别、图片标签推出新功能。 图片标签 功能介绍 产品新增两个图像标签版本，并输出详细标签的分类信息，覆盖8个大类、六十多个子类、数千个标签。
1.8K42发布于 2019-11-19 - 来自专栏架构狂人
介绍10款ChatGPT替代产品
价格 –使用免费试用计划，每月最多可以免费制作 10,000 个word。每月支付 12.67 美元，最多可以提供 47,500 个word。 它为营销广告、推文创意、产品描述和一般内容撰写标题和正文。 Peppertype.ai 利用人工智能 (AI) 和撰稿人的专业知识来帮助您制作更成功的内容。 特性： 您可以使用它来制作社交媒体帖子、博客帖子、网站文章、产品评论、网站博客帖子等等。 使用 Peppertype，您可以一次制作数十甚至数百篇文章。 具有 1760 亿个参数 它比革命性的 GPT-3 语言模型多了 10 亿个参数。 价格：每月 499 美元至 4799 美元 9. 10. Elicit 当您在 Elicit 中输入查询时，该应用程序会立即生成具有最高评级的文档的摘要。Elicit 是一种研究工具，可通过使用 GPT-3 等语言模型简化研究人员的程序。
3.3K40编辑于 2023-08-16 - 来自专栏喔家ArchiSelf
IoT产品的10个最佳实践
上周末，经过和友人的友人深入地讨论，自己梳理了实现IoT产品的10条经验，并自以为是地称之为“最佳实践”。 制造业花了数年甚至数十年时间来磨练他们的产品，但是，在思考为产品构建物联网（IoT）可能带来的好处时，需要问自己的一个重要问题是： 是否具备了云连接和成功扩展物联网系统所需的所有专业技术呢？ ? 还需要确保的是，当迁移到物联网时仍然能够投入全部的时间、注意力和资源，继续做自己最擅长的事情：制造和销售出色的产品。 这里的10条最佳实践指南涵盖了设计、构建以及最终销售物联网产品。 ? 1. 清晰地定义用例 可以肯定的是，物联网为制造厂商提供了前所未有的产品能力。 实现物联网产品的可伸缩性 什么是可伸缩性？这可能意味着每月生产2000台，10万台的物联网设备，或者能够在短时间内开启数百万台产品。与安全性一样，可伸缩性也必须从产品设计的开始就进行规划。
1.5K41发布于 2020-10-30 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
全球10m生物气候产品
("WORLDCLIME/BIO_10M") 波段 称 分辨率(minutes) 类型 无效值 描述信息 BIO1 10 Float32 -9999 Annual Mean Temperature BIO2 -9999 Max Temperature of Warmest Month BIO6 10 Float32 -9999 Min Temperature of Coldest Month BIO7 10 Quarter BIO09 10 Float32 -9999 Mean Temperature of Driest Quarter BIO10 10 Float32 -9999 Mean Temperature of Warmest Quarter BIO11 10 Float32 -9999 Mean Temperature of Coldest Quarter BIO12 10 Float32 -9999 生物气候产品 */ //加载全球10m生物气候数据 var img = pie.ImageCollection("WORLDCLIME/BIO_10M") .select("BIO1
31110编辑于 2024-02-02 - 来自专栏腾讯云可观测专栏
监控产品上新月报【10月】
云监控产品中心 10月功能发布总览： 应用性能观测 APM 1.支持 PHP 和 Python 语言探针部署，具体接入步骤可查看官网接入指南： https://cloud.tencent.com/document 用户可根据按业务类型在上报数据时自定义标签 ，例如订单标签，购物车标签等，当用户订单出现异常，您可以快速到订单调用情况，包括响应时间、执行结果、服务状态等。 [点击查看大图] 例如在上报 PHP 应用数据时自定义标签，您可以通过输入标签键、标签值 key:value 来搜索到该标签所绑定的业务。 用户可以在新建任务时，一键筛选 IPV6 拨测节点。 [点击查看大图] 联系我们 如需了解更多产品相关文章可点击下方链接： 【重磅发布】应用性能观测（APM) 前端性能监控（RUM） CDN 服务质量监控最佳实践（CAT） 如需了解更多产品介绍请点击公众号底部菜单
86330发布于 2021-11-09 - 来自专栏喔家ArchiSelf
面向数据产品的10个技能
【引子】本文源自和一个产品经理的对话。由于老码农经历过产研一体的磨砺， 鉴于个人对数据型产品感知，觉得一些数据科学的基础技能对产品经理或者普通的研发工程师都会有些帮助，遂成此文。 另外，尤其是面向数据的产品经理应该掌握Python 的基础编程。 数据基础 在处理数据时，熟悉各种文件格式如CSV、PDF和文本文件的操作至关重要。使用诸如Pandas和NumPy等强大的Python库可以有效地读取、写入和处理这些格式的数据。 在选择这三个工具时，用户应考虑自己的需求、已有的编程知识以及希望投入的时间。对于快速实验和教育目的，sklearn通常是足够的。 10. 项目管理 在构建任何数据项目或者机器学习模型之前，仔细地坐下来并计划需要完成的目标任务是非常重要的。了解要解决的问题、数据集的性质、要构建的模型类型、模型将如何训练、测试和评估。
50410编辑于 2024-06-27 - 来自专栏时空探索之旅
ICDE 2024 | TFMAE: 基于时频掩码自编码器的对比时序异常检测
贡献（Contribution） 此文提出了一个基于对抗对比损失的时频掩码自编码器 Temporal-Frequency Masked Autoencoders (TFMAE) 网络进行时序异常检测。 此文不仅通过对真实世界数据集的实验验证了所提出方法的有效性与高效性，而且还揭示了时频域最佳掩码比率。 这是因为，即使是未见样本，相同时间序列基于时频掩码的表示也会根据其时频一致性从而保持一致。此外，与使用正负对的经典对比学习不同，此文仅使用正样本，以尽量降低时频掩码间差异。 Anomaly Detection 在对比设计中，时频掩码表示之间的差异大小直接对应于异常的可能性。因此，此文在推理阶段采用对比差异作为异常分数。 时间点 的分数可以计算如下： 最终，根据异常分数和预定阈值 评估观察结果，即当分数超过阈值时即检测到异常。
1.9K10编辑于 2024-12-25 - 来自专栏科学最Top
傅里叶基映射：一种用于时间序列预测的时频学习框架
本文提出傅里叶基映射（FBM），FBM 通过傅里叶基展开和时频空间映射整合时频特征，提取明确的频率特征同时保留时间特性，支持与多种神经网络 “即插即用” 集成，只需调整首个初始投影层即可提升性能。 傅里叶基函数具有时间依赖性，缺少基函数会让模型难以准确解释频率成分，而基函数能帮助解决这些问题，使模型更精准地捕捉时频关系。 FBM则同时在时频空间中运行，其映射过程聚焦于时频特征。 下游映射基于时频空间而非单一的时间或频率空间进行预测，因基函数融入了时间域信息，解决了此前频率域中的映射问题。 同时，引入了一系列适配时频特征的技术，包括基于时频特征时间片段的分块处理，初始投影前后的中心化与逆中心化（用于优化特征分布），以及结合平均核和求和核的多尺度下采样（提升对不同粒度数据的适应性）。
48810编辑于 2025-07-27 标准时间间隔发生器：高精度时频计量的“基准标尺”
本文将从技术原理、核心特性、行业应用及发展趋势四个维度，全面解析这一高精度时频设备的价值与魅力。 时间基准单元是设备精度的“源头”，主流方案分为两类：一类是内置高稳晶振，如恒温晶振（OCXO）或铷原子钟，其中铷原子钟的频率稳定度可达10⁻¹²量级，确保设备在无外部参考时仍能长时间维持高精度；另一类是外接权威时间源 例如，在校准通用计数器时，需发生器输出10ns、1μs、1ms等多档位标准间隔，其绝对误差需小于计数器允许误差的1/3，才能确保校准结果的可靠性。输出信号稳定性包括短期稳定性和长期稳定性。 时频计量与校准是其最核心的应用领域。 例如，某型号导弹的制导系统要求时间间隔测量误差小于±10ns，测试时需选用铷原子钟基准的发生器，确保信号的高稳定性和低抖动。科研实验中，发生器为精密测量提供时序支撑。
22010编辑于 2025-10-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号