MATLAB时频域特征提取已封装为函数，可实现一行代码提取时域频域特征。亲测好用！ 可以直接生成原始信号的特征向量。包括以下22个特征： % max ：最大值 % min ：最小值 % mean ：平均值 % peak ：峰峰值 % arv ：整流平均值 % var ：方差 % std ：标准差 % kurtosis ：峭度 % skewness ：偏度 % rms ：均方根 % waveformF ：波形因子 % peakF ：峰值因子 % impulseF ：脉冲因子 % clearanceF：裕度因子 % FC：重心频率 % MSF：均方频率 % RMSF：均方根频率 % VF：频率方差 % RVF：频率标准差 % psdE：功率谱熵 % svdpE：奇异谱熵 % eE：能量熵 %

在散布熵的基础上提出多尺度散布熵以及精细复合多尺度散布熵

用MATLAB工具实现数字信号处理实验，实验一 离散时间信号和系统响应；实验二 用FFT对信号作频谱分析；实验三 用双线性变换法设计IIR数字滤波器；实验四 用窗函数法设计FIR数字滤波器；适用于数字信号处理课程学习者，内含源代码与结果图

小波包分解与重构多种特征提取MATLAB代码 内容概要：该资源为博主自己编写，内含小波包分解与重构，小波包分解与重构后的频谱分析，小波包升降采样，小波包能量熵，小波包能量，小波包能量占比三种特征提取方法，内含封装好的特征提取函数，内含详细代码注释，更换输入数据就可直接运行，可直接更换小波包基函数，可直接生成特征向量，。 理论描述：小波包分解（wavelet packet decomposition，WPD）能够同时在低频和高频带内对信号进行分解，并自适应地确定不同频段上信号的分辨率，且各分解频带内信号相互独立、无冗余、不疏漏[。小波包分解层数越多，分辨率越高，包含故障信息越丰富。但层数过多会造成计算复杂且分析速度慢。一般需要根据实际需要和相关实验选取分解层数以及小波基函数。能量熵表示信号中出现的状态数目的可能性及相应概率，可用来评估信号的复杂性，可用来描述电信号、轴承等振动信号的特征变化。 适用人群：信号处理，机器学习，深度学习研究者对信号进行特征分析以及特征提取。 本代码为matlab代码，在matlab2020上编写。

安全技术-网络信息-生物电信号处理及神经网络的混沌同.pdf

随着无线通信领域的发展,具有诸多优点的可见光通信(VLC)已经发展成为了一种具有广阔前景的通信手段。然而,可见光通信中的各种非线性效应会给其信号处理带来诸多的困难,并恶化系统的性能。机器学习在解决非线性问题方面具有很大的优势和潜力,结合机器学习算法的可见光通信技术必然具有巨大的研究价值。已有研究表明,传统的机器学习算法如K-means、DBSCAN以及支持向量机(SVM)等在预均衡、后均衡、抗系统抖动,以及相位纠正等方面均有很好的表现。而深度神经网络(DNN)则因为其强大的非线性拟合能力能够更进一步提升VLC系统的性能。对以上几种方法进行了分析和介绍,并对其在可见光通信信号处理领域的应用进行了分析与总结,希望可以为机器学习解决可见光通信方面的各种非线性问题提供参考。

基于MATLAB的数字信号处理虚拟实验仿真平台.pdf

EMD分解或HHT变换 文件内已添加详细备注，有助于读者尽快入门 % 返回值为cell类型，依次为一次IMF、二次IMF、...、最后残差 % 是否单调 % 是否IMF分量 % 据极大值点构造样条曲线 %找极大值点，返回对应极大值点的坐标

当前我们正处于数字化时代，数字信号处理技术受到了人们的广泛关注，其理论及算法随着计算机技术和微电子技术的发展得到了飞速的发展，被广泛应用于语音控制、通信、图像处理等各个领域。数字滤波器是数字信号处理中最重要的组成部分之一，几乎出现在所有的数字信号处理系统中。数字滤波器是指完成信号滤波处理的功能，用有限精度算法实现的离散时间线性非时变系统，其输入是一组(由模拟信号取样和量化的)数字量，其输出是经过变换的另一组数字量。相对于模拟滤波器，数字滤波器没有漂移，能够处理低频信号，频率响应特性可做成非常接近于理想的特性，且精度可以达到很高，容易集成等，这些优势决定了数字滤波器的应用越来越广泛。同时DSP(数字信号处理器)的出现和FPGA的迅速发展也促进了数字滤波器的发展，并为数字滤波器的硬件实现提供了更多的选择。本文主要研究了数字滤波器的基本理论，基于TI公司的数字信号处理器TMS320VC5402设计了一款稳定度高，低功耗的数字滤波器系统，并完成了软硬调试工作。数字滤波器的设计

提出了一组MATLAB函数，用于通过循环奇异频谱分析（SSA）进行信号提取，这是Bógalo等人（2021）提出的程序。 循环SSA是SSA的新变体，它允许提取与预先指定的任何频率相关的信号。 与其他需要事后识别与提取信号相关的频率的SSA程序相比，这是一个新颖之处。 循环SSA提供了基于循环矩阵的解决方案，并提出了一种自动过程来计算最佳重构。 该解决方案可以应用于非平稳序列，以及在非线性情况下。 该过程是非参数的，并且已自动执行，因此最终用户只需要提供数据并指定窗口长度即可。 它既适用于经济时间序列，又适用于来自物理世界的具有调制幅度和频率（AM-FM信号）的序列。