本页对应的英文页面已更新，但尚未翻译。 若要查看最新内容，请点击此处访问英文页面。

测量和特征提取

波峰、信号统计、脉冲和转换指标、功率、带宽、失真

Signal Processing Toolbox™ 提供的函数可用于测量信号的常见不同特征。定位信号波峰并确定其高度、宽度和与邻点的距离。测量时域特征，如峰间幅值和信号包络。测量脉冲指标，如过冲和占空比。

在频域中，测量基频、均值频率、中位数频率和谐波频率、通道带宽和频带功率。通过测量无乱真动态范围 (SFDR)、信噪比 (SNR)、总谐波失真 (THD)、信号与噪声失真比 (SINAD) 和三阶截距 (TOI) 来表征系统。

突出显示的主题
  • 描述性统计量
    峰值、RMS 水平、峰间幅值、波峰因子、动态时间畸变、CUSUM 控制图、编辑距离
  • 脉冲和转换指标
    上升时间、下降时间、压摆率、过冲、欠冲、稳定时间、脉冲宽度、占空比
  • 频谱测量
    通道功率、带宽、均值频率、中位数频率、谐波失真

特色示例

Classify ECG Signals Using Long Short-Term Memory Networks

Classify ECG Signals Using Long Short-Term Memory Networks

Classify heartbeat electrocardiogram data using deep learning and signal processing.

打开实时脚本
Waveform Segmentation Using Deep Learning

Waveform Segmentation Using Deep Learning

Segment human electrocardiogram signals using time-frequency analysis and deep learning.

打开实时脚本
Distortion Measurements

Distortion Measurements

Generate 2048 samples of a sinusoid of frequency 2.5 kHz sampled at 50 kHz. Add white Gaussian noise such that the signal-to-noise ratio (SNR) is 80 dB.

打开实时脚本
确定峰宽

确定峰宽

创建由钟形曲线之和组成的信号。指定每条曲线的位置、高度和宽度。

打开实时脚本
Human Activity Recognition Simulink Model for Smartphone Deployment

Human Activity Recognition Simulink Model for Smartphone Deployment

Classify human activity based on smartphone sensor signals for code generation and smartphone deployment.

打开实时脚本

Signal Processing Toolbox 文档
支持
Deep Learning for Signal Processing with MATLAB

Deep Learning for Signal Processing with MATLAB

Download white paper