دانلود شبیه سازی مقاله تبدیل فشرده ساز همزمان چندگانه

پروژه متلب تبدیل فشرده ساز همزمان (synchrosqueezing)

تحلیل زمان فرکانس (TF)، ابزاری موثر برای تحلیل سیگنال های متغیر با زمان است که طی چند دهه گذشته توجه فزاینده ای را به خود معطوف کرده است. همچنین، روش‌های خطی کلاسیک، نظیر تبدیل فوریه کوتاه مدت (STFT) و تبدیل موجک (WT)، می‌توانند یک سیگنال سری زمانی یک بعدی را در صفحه TF دو بعدی (2 بعدی) گسترش دهند. از صفحه TF، می‌توان ویژگی‌های متغیر با زمان را مشاهده نمود و تجزیه سیگنال را انجام داد. با این وجود، نمایش‌های TF تولید شده از طریق روش‌های معمول، تحت اصل عدم قطعیت هایزنبرگ اغلب مبهم هستند و ارائه یک توصیف TF دقیق برای سیگنال متغیر با زمان امکان پذیر نیست. توسعه اخیر روش‌های TFA شامل طراحی روش‌هایی با رزولوشن بالا و همچنین حفظ توانایی بازیابی سیگنال سری زمانی اصلی است. از اینرو، تا حد امکان می‌توان ویژگی‌های متغیر با زمان را به صورت دقیق تعیین نمود و حالت‌های چند جزئی را نیز تجزیه نمود.

روش تحلیل زمان فرکانس (TF) (TFA)، ابزار مهمی در زمینه های مهندسی صنایع محسوب می شود. با این وجود، به دلیل محدود بودن به اصل عدم قطعیت هایزنبرگ یا شرط متقاطع غیرمنتظره، روش‌های کلاسیک TFA اغلب نمایش TF مبهمی را ایجاد می‌کنند که شدیدا مانع کاربردهای مهندسی آن می‌شود. نحوه تولید نمایش TF متمرکز برای یک سیگنال متغیر با زمان، کار چالش برانگیزی محسوب می شود. در این مقاله، یک روش TFA جدید را برای مطالعه ویژگی‌های غیر ثابت سیگنال‌های متغیر با زمان ارائه می دهیم. روش پیشنهادی بر پایه تبدیل همزمان فشرده است و از یک روش تخصیص مجدد تکراری برای متمرکز کردن انرژی TF مبهم به صورت مرحله به مرحله استفاده نموده و توانایی بازسازی سیگنال را نیز حفظ می‌کند. علاوه بر این، دو پیاده سازی الگوریتم گسسته نیز ارائه شده است که حاکی از آن است که روش پیشنهادی بار محاسباتی محدودی داشته و در کاربرد بلادرنگ از پتانسیل قابل توجهی برخوردار است. همچنین، یک الگوریتم موثر را برای تشخیص مسیر فرکانس لحظه ای معرفی می کنیم که می تواند برای تجزیه حالت های تک جزیی استفاده شود. علاوه بر این، سیگنال‌های عددی و دنیای واقعی برای تایید کارایی روش پیشنهادی با مقایسه با برخی از روش‌های پیشرفته مورد استفاده قرار می گیرند. مقایسات انجام شده حاکی از آن است که روش پیشنهادی در زمینه پرداختن به سیگنال‌های شدیداً متغیر با زمان و سیگنال‌های نویزدار از عملکرد بهتری برخوردار است.

این مقاله مربوط به 2018 بوده و شبیه سازی آن در نرم افزار متلب (MATLAB) انجام شده است. در ادامه، تصاویر مربوط به خروجی های این شبیه سازی قرار داده شده است: