PySPT

Skip to content

Main Navigation信号处理智能体

Appearance

Sidebar Navigation

PySPT概况

信号生成和预处理

平滑和去噪

信号平滑处理

对数据去趋势

从信号中去除60Hz干扰

去除信号中的峰值

波形生成

波形生成：时间向量和正弦波

脉冲函数、阶跃函数和斜坡函数

常见的周期性波形

常见的非周期波形

pulstran函数

sinc

Dirichlet

测量和特征提取

描述性统计量

确定峰宽

周期性波形的RMS值

在数据中查找峰值

脉冲和瞬态指标

矩形脉冲波形的占空比

频谱测量

变换、相关性和建模

变换

离散傅里叶变换

Z变换

离散余弦转换

用于语言信号压缩的DCT

Hilbert

余弦解析信号

Hilbert变换与瞬时频率

频域线性回归

倒频谱分析

相关性和卷积

残差分析和其自相关

将信号与不同开始时间对其

使用互相关对齐信号

使用自相关求周期性

回声消除

多通道输入的互相关

样本自相关的置信区间

两个指数序列的互相关

移动平均过程的自相关

两个移动平均过程的互相关

噪声中延迟信号的互相关

相位滞后正弦波的互相关

线性和循环卷积

信号建模

数字和模拟滤波器

数字滤波器设计

反因果零相位滤波器的实现

数字滤波器分析

扬声器交叉滤波器

相位响应

零极点分析

脉冲相应

数字滤波

滤波器实现

多采样率信号处理

重建缺失的数据

对非均匀采样信号进行重采样

下采样-信号相位

下采样-混叠

在下采样前进行滤波

模拟滤波器

模拟IIR低通滤波器的比较

低通Bessel滤波器的频率响应

频谱分析

频谱估计

使用 FFT 获得功率频谱密度估计

频域线性回归

检测噪声中的失真信号

幅值估计和填零-checkpoint

比较两个信号的频率成分

在分类时间序列中查找周期性

参数化频谱估计

子空间方法

频率估计子空间方法

加窗法

切比雪夫窗

文章目录

Pager

上一篇模拟IIR低通滤波器的比较

下一篇频谱分析

Copyright@2024 PySPT