针对噪声的随机性和突变性,使得传统算法抑制非平稳噪声比抑制平稳噪声难度增大的问题,提出了一种基于深度神经网络的子空间语音增强算法。该算法利用带噪的语音信号数据训练一组深度神经网络语音生成型模型(DNN训练模型);在测试增强阶段根据噪声估计和DNN模型去除非平稳噪声;最后,通过信号子空间在抑制噪声和减少信号失真上做出较为折中的选择重构语音信号。实验结果表明,基于深度神经网络的子空间语音增强算法对非平稳噪声有非常强的抑制能力,通过STOI和PESQ值反映了在低信噪比下,该算法可以提高增强语音的可懂度。

《非平稳随机信号分析与处理》是2008年国防工业出版社出版的图书，作者是王宏禹、陈喆

大数据-算法-非平稳色噪声环境下的参数估计方法研究.pdf

大数据-算法-非平稳数据流的概念漂移检测及其分类.pdf

大数据-算法-非平稳信号的参数自适应时频表示及其应用的研究.pdf

非平稳信号分析与处理_张贤达 保铮_1998 非平稳信号分析与处理_张贤达 保铮_1998

论文研究-时空地理加权回归模型的时空非平稳性检验.pdf,  针对时空地理加权回归模型,通过时空加权距离构造权重矩阵,采用地理加权拟合技术得到回归系数的逐点估计. 构造合适的统计量对回归系数进行关于时间和空间的非平稳性检验,利用三阶矩χ2逼近方法计算检验的p值. 最后,模拟算例和实际例子都说明该检验方法的有效性.

用于非平稳信号处理，介绍小波变化、多分辨率分析等代码

matlab 代码允许重现论文中的一些结果：S. Chen、X. Dong、G. Xing 等人，通过脊路径重组和固有啁啾分量分解分离重叠的非平稳信号，IEEE 传感器杂志，2017 年。部分脚本摘自以下论文：S. Chen、Z. Peng、Y. Yang 等人，Intrinsic chirp component分解 by using Fourier Series representation, Signal Processing, 2017, 137: 319-327。 在某些应用中，需要分析时频 (TF) 域中分量严重重叠的多分量非平稳信号。 分离这些信号分量是需要的，但对现有方法来说非常具有挑战性。 为了解决这个问题，我们提出了一种新的非参数算法，称为脊路径重组（RPRG），以从 TF 表示（TFR）中提取重叠分量的瞬时频率（IF）。 RPRG 首先检测来自 TFR 的多分量信号的脊

时频分析理论及其在非平稳信号处理中的应用，王文延，曾庆宁 ，详述了时频分析理论产生的背景和发展状况，对几种典型的时频分析方法以及它们的时频局部性能作了比较分析。最后，讨论了时频分析