纯随机性检验（白噪声序列检验） 检验原理 假设条件 检验统计量 判别原则

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

研究非高斯噪声下基于循环平稳特征的主用户检测问题。结合主用户信号的多循环平稳特征，通过求和准则和最大准则对多个循环频率的谱相关函数进行整合，提高检测结果的可信度。在等权求和准则的基础上，利用不同循环频率处不同程度的循环平稳特征，提出一种基于谱相关函数的加权求和准则。仿真结果表明，多循环频率合作可以提高检测效率，并且加权求和准则的检测性能优于等权求和准则。

本文介绍了用于非平稳信号的时频技术的方法，特性和处理方法，该方法在生物医学，通信和图像处理领域中经常使用。 本研究选择了两类时频分析技术。 一种是基于线性时频分析的短时傅立叶变换（STFT）技术，另一种是基于二次时频分析技术的Wigner-Ville分布（WVD）。 针对频谱分析的非平稳信号，开发并实现了这两种技术的算法。 这项研究的结果表明，WVD及其类别最适合于时频分析。

（1）指数平滑法 指数平滑法有助于预测存在趋势和（或）季节的序列。指数平 滑法分为两步来建模，第一步确定模型类型，确定模型是否需 要包含趋势、季节性，创建最适当的指数平滑模型，第二步选 择最适合选定模型的参数。 指数平滑模法一般分为无季节性模型、季节性模型。无季节性 模型包括简单指数平滑法、布朗单参数线性指数平滑法等，季 节性模型包括温特线性和季节性指数平滑法。 指数平滑法，又称指数加权平均法，实际是加权的移动平均 法，它是选取各时期权重数值为递减指数数列的均值方法。

二、F检验定阶法 1.基本思想（以一般情形和ARMA(p,q)模型为例） 先对数据拟合ARMA(p,q)模型(假设不含常数项)，设其残差平方和为Q0，再对数据拟合 较低阶的模型ARMA(p-m,q-s)，设其残差平方和为Q1。 建立原假设H0： 返回本节首页 下一页 上一页

在分析基于SVD的平稳信号降噪原理的基础上,提出了一种基于SVD的非平稳信号重叠分段降噪算法。非平稳信号通过数据分段可近似处理为多段平稳信号。为降低连续分段降噪误差,进行一定比例的重叠分段,应用基于SVD的平稳信号降噪方法对各分段信号进行降噪,相邻段之间的重叠信号经过多次降噪后求平均得到最终降噪信号。仿真结果表明,该算法具有良好的降噪能力且稳定性较好

emd算法升级，包络分析

4.3.1调频信号的解调分析