提出了一种将非线性频谱与堆叠式降噪自动编码器（SDAE）相结合的复杂系统故障诊断方法。 为了解决计算量大的问题，利用广义的频率响应函数（GFRF），利用一维非线性输出频率响应函数（NOFRF）来获得非线性频谱。 为了解决故障特征提取能力弱的问题，采用了堆叠式降噪自动编码器（SDAE）。采用神经网络从非线性频谱中提取故障特征。 该方法通过识别算法得到了永磁同步电动机各状态的四阶非线性频谱。 然后，从四阶频谱中选择合适的采样点，以构建高维数据； 最后，设计了堆叠式去噪自动编码器（SDAE）神经网络，实现了故障分类的输出。 仿真表明，该方法具有良好的实时性和较高的诊断精度。

Python RF频谱分析仪 从某些来源获取数字化的IQ样本，以提供实时频谱和频谱图。 所有样本都用于FFT。 提供短突发信号的检测。 具有用于信号源和频谱分析的插件架构。 可以快照IQ样本以在事件（当前为手动触发）时归档。 具有基于Web的UI，可用于在频谱上进行测量。 这是编写一些Python的练习，该Python扩展为提供基于Web的UI。 fft计算是由Python中的库完成的，因此不是最快的。 如果您有使用其他工具的rtlsdr，则在您的环境中安装了python rtlsdr支持后，此分析器也应能正常工作。 性能取决于您的计算机以及支持的fft库的编译方式。 我当然跟上了超过3Msps的数据流。 所有输入源均由python模块提供，具有不同的SDR平台，并由Pypi收集的相应Python库支持。 输入模块： 音频-对测试有用 文件-支持WAV和原始二进制文件，

为提髙复杂噪声环境下语音信号端点检测的准确率，提岀一种基于梅尔频谱倒谱系数（MFCC）距离的多维特征语音信号端点检测算法。通过计算语音信号的MrcC距离，结合短时能量和短时过零率对特征距离进行修正，并更新其阈值，建立自适应噪声模型，实现复杂噪声中语音信号端点的准确检测。实验结果表明，与基于双限能量和基于倒谱距离的2种经典检测算法相比，在计算效率相同的条件下，该算法的检测准确率更高。

matlab_基于LFM和Barker码复合调制的雷达波形，理论上分析了该低截获雷达波形的组成。通过仿真得到复合调制信号的时域波形、频谱图和模糊函数图，与LFM信号和Barker码信号对比分析对复合调制雷达信号的距离和多普勒模糊函数、截获因子等进行了研究

夕阳总会照在你身上，你总会快乐一场；

GPS信号频谱，通过CA码和P码调制载波，最后画出频谱，效果良好，直接可用。

DFT的matlab源代码vu_meter 这是一个简单的基于FPGA的FFT音频信号分析仪。 该项目使用Intel-Altera Quartus Prime 16.1进行，并在Terasic的DE2-115板上实现。 我使用了由Carnegie Mellon University（）的Spiral Project生成的IP内核。 该项目主要以VHDL编写，只有少数例外（用于ILI9341 TFT显示屏的SystemVerilog，用于I2S音频芯片的Verilog）。 它有什么作用？ 使用板载I2S芯片以48 kHz（实际上为50 kHz）采样率和24位垂直分辨率获取音频样本（来自左声道的1024个16位字）。 仅MSB 16位用于计算。 汉宁窗口功能应用于存储在片上存储器中的样本。 将整数样本转换为IEE-754格式，再乘以适当的系数，然后再次转换为整数格式。 使用Spiral项目的DFT IP内核计算频谱，频谱分辨率约为25kHz / 511 = 48.9 Hz /点/ bin。 转换为IEE-754浮点格式后，将为每个光谱点计算log10。 此处的值将按比例缩放以适合TFT显示

收藏的,VC做的频谱棒显示的还可以,可以下载看看.

完整版基于LABVIEW的虚拟频谱分析仪设计.docx

MATLAB信号处理 频谱分析加汉宁窗函数 源代码.7z