No.1 短时傅里叶变换（Short-Time Fourier Transform (Spectrogram)）
（1）方法说明
ü 短时傅里叶变换是一种线性时频表示方法，可用于非平稳多分量信号的分析。 ü 短时傅里叶变换是可逆的。 ü 频谱图是STFT的幅度平方。 ü 可以计算两个信号的交叉谱图来寻找时间-频率空间的相似性。 ü 信号的持续谱是一个时频视图，它显示了给定频率出现在信号中的时间百分比。持久谱是一个在工频空间的直方图。随着信号的发展，特定频率在信号中持续的时间越长，其时间百分比就越高，因此在显示器上的颜色就越亮或“热”。
（2）适用场合
ü 音频信号处理：基频估计、交叉合成、频谱包络提取、时间尺度修正、时间拉伸和基音偏移。（有关详细信息，请参阅具有不同合成和分析窗口（信号处理工具箱）的相位声码器。） ü 裂纹检测：利用超声兰姆波的频散曲线检测铝板的裂纹。 ü 传感器阵列处理：声纳探测、地球物理探测和波束形成。 ü 数字通信：检测跳频信号。
No.2 连续小波变换（Continuous Wavelet Transform (Scalogram)）
（1）方法说明
ü 小波变换是一种线性时频表示，它保留了时间偏移和时间尺度。 ü 连续小波变换能很好地检测非平稳信号中的瞬态信号，对瞬时频率增长较快的信号也有很好的检测效果。 ü CWT是可逆的。 ü CWT使用可变大小的窗口平铺时间-频率平面。窗口会在时间上自动加宽，使其适合低频现象，而对于高频现象则会变窄。
（2）适用场合
ü 心电图（ECG）：ECG信号最有用的临床信息是在其连续波和由其特征定义的振幅之间的时间间隔中发现的。小波变换将心电信号分解成不同的尺度，使得分析不同频率范围的心电信号更容易。 ü 脑电图（Electroencephalogram，EEG）：原始EEG信号存在空间分辨率低、信噪比低和伪影等问题。含噪信号的连续小波分解在不改变噪声随机分布的情况下，将信号的内在信息集中在几个具有较大绝对值的小波系数中。因此，可以通过对小波系数进行阈值化来实现去噪。 ü 信号解调：使用自适应小波构造方法解调扩展二进制相移键控（EBPSK）。 ü 深度学习：CWT可以用来创建时频表示，可以用来训练卷积神经网络。利用小波分析和深度学习对时间序列进行分类展示了如何利用尺度图和转移学习对心电信号进行分类。
No.3 Wigner-Ville Distribution
（1）方法说明
ü Wigner-Ville分布（WVD）是一个二次能量密度，通过将信号与时间和频率转换后的复共轭信号相关联来计算。 ü 即使信号很复杂，Wigner-Ville分布也总是存在。 ü Wigner-Ville分布的时间和频率积分对应于信号的瞬时功率和谱能量密度。 ü 利用Wigner分布的局部一阶矩可以计算出瞬时频率和群时延。 ü WVD的时间分辨率等于输入样本数。 ü Wigner分布可以局部假设为负值。
（2）适用场合
ü 耳声发射（OAE）：OAE是耳蜗（内耳）发出的窄带振荡信号，其存在表明听力正常。 ü 量子力学：经典统计力学的量子修正，模拟电子传输，计算多体量子系统的静态和动态特性。
No.4 重新分配和同步（Reassignment and Synchrosqueezing）
（1）方法说明
ü 重新分配提高了频谱估计的局部化，产生了更易于查看和解释的频谱图。该方法将每个谱估计重新定位到其存储箱的能量中心，而不是存储箱的几何中心。它为声音和脉冲提供精确定位。 ü Fourier同步压缩变换从短时Fourier变换开始，对其值进行“压缩”，使其集中在时频平面上的瞬时频率曲线上。 ü 小波压缩变换在频率上重新分配信号能量。 ü 傅立叶同步压缩变换和小波同步压缩变换都是可逆的。 ü 重新分配和同步压缩方法特别适合于跟踪和提取时频脊线。
（2）适用场合
ü 音频信号处理：同步压缩变换（SST）最初是在音频信号分析中引入的。 ü 地震资料：分析地震资料以发现油气圈闭。同步压缩还可以探测到地震资料中经常出现的深层弱信号。 ü 电力系统中的振荡：汽轮机和发电机在不同的汽轮机级和发电机之间可能存在机械次同步振荡（SSO）模式。SSO的频率通常在5 Hz到45 Hz之间，并且模式频率通常彼此接近。WSST的抗噪声能力和时频分辨率提高了时频视图的可读性。 ü 深度学习：同步压缩变换可用于提取时频特征，并输入到对时间序列数据进行分类的网络中。波形分割使用深度学习（信号处理工具箱）显示如何fsst输出可以反馈到LSTM网络，分类心电图信号。
No.5 恒Q Gabor变换（Constant-Q Gabor Transform）
（1）方法说明
ü 恒Q非平稳Gabor变换使用具有不同中心频率和带宽的窗口，使得中心频率与带宽之比Q因子保持不变。 ü 恒Q Gabor变换可以构造稳定的逆，产生完美的信号重构。 ü 在频率空间中，窗口以对数间隔的中心频率为中心。
（2）适用场合
ü 音频信号处理：音乐中音调的基本频率是几何间隔的。人类听觉系统的频率分辨率近似为常数Q，这使得这种技术适合于音乐信号处理。
No.6 经验模态分解与Hilbert-Huang变换（Empirical Mode Decomposition and Hilbert-Huang Transform）
（1）方法说明
ü 经验模态分解将信号分解为固有模态函数，这些固有模态函数构成了原始信号的一个完整的近似正交基。 ü Hilbert-Huang变换计算每个固有模函数的瞬时频率。 ü 这两种方法的结合对分析非线性和非平稳信号是有用的。
（2）适用场合
ü 生理信号处理：分析人对大脑皮层经颅磁刺激（TMS）的EEG反应。 ü 结构应用：定位梁和板中出现裂纹、分层或刚度损失的异常。 ü 系统辨识：分离具有密集模态频率结构的模态阻尼比。 ü 海洋工程：识别水下电磁环境中由人类引起的瞬态电磁干扰。 ü 太阳物理学：提取太阳黑子数据的周期性成分。 ü 大气湍流：观察稳定边界层，分离湍流和非湍流运动。 ü 流行病学：评估传播疾病如登革热的传播速度。
