Probabilistic Estimation of Instantaneous Frequencies of Chirp Signals
当线性调频信号及其瞬时频率函数的真实形式不可得时，本文提出了一种连续时间概率估计方法。我们的模型表示这些功能的非线性级联高斯过程表示为非线性随机微分方程。然后用随机滤波器和平滑器估计函数的后验分布。我们计算（后）的高斯过程模型的Cramér-Rao下限，并推导出理论上的均方意义上的估计误差的上限。实验表明，该方法优于一些国家的最先进的方法在一个合成的数据。我们还表明，该方法适用于两个真实世界的数据集。
2023-02-13 eess.SP stat.AP stat.ML
Multi-Phase Locking Value: A Generalized Method for Determining Instantaneous Multi-frequency Phase Coupling
许多物理、生物和神经系统表现为耦合振荡器，在不同频率之间具有特征相位耦合。先前已经提出了诸如$n:m$相位锁定值和双相位锁定值的方法，以分别量化两个谐振频率（例如，$f$、$2f/3$）之间和跨三个频率（例如，$f_1$、$f_2$、$f_1+f_2$）的相位耦合。然而，现有的相位耦合度量有其局限性和有限的应用。它们不能用于检测或量化跨多个频率的相位耦合（例如$f_1$、$f_2$、$f_3$、$f_4$、$f_1+f_2+f_3-f_4$），或涉及非整数倍频率的耦合（例如$f_1$、$f_2$、$2f_1/3+f_2/3$）。为了解决这一问题，本文提出了一种通用的方法，命名为多相位锁定值（M-PLV），用于量化各种类型的瞬时多频相位耦合。与大多数测量同步相位耦合的瞬时相位耦合度量不同，所提出的M-PLV方法还允许检测延迟相位耦合和耦合振荡器之间的相关时滞。M-PLV已经在使用白高斯信号生成合成耦合信号的情况下进行了测试，以及由多个耦合罗斯勒振荡器组成的系统。结果表明，M-PLV可以提供一个可靠的估计的时间窗口和频率组合的相位耦合是显着的，以及在延迟耦合的情况下的时间滞后的精确测定。这种方法有可能成为一个强大的新工具，探索在复杂的非线性动力系统中的相位耦合。
2022-01-02 eess.SP q-bio.NC
Synchrosqueezed X-Ray Wavelet-Chirplet Transform for Accurate Chirp Rate Estimation and Retrieval of Modes from Multicomponent Signals with Crossover Instantaneous Frequencies
针对现有方法在多分量交叉瞬时频率信号中 chirp 率估计精度不足的问题，提出X射线小波-chirplet变换（XWCT）及三阶同步挤压变体，实现更优的 chirp 率方向衰减，无需多次操作即可精确估计IF和 chirp 率并检索模态。
2025-08-25 eess.SP
Instantaneous Frequency Estimation in Multicomponent Signals in Case of Interference Based on the Prony Method
本文提出一种基于Prony方法的多分量信号瞬时频率估计新方法，通过表征时频平面中的模态干扰，并与脊线检测技术比较，验证了其有效性。
2023-12-22 eess.SP
Instantaneous Frequency Estimation in Noisy Multicomponent Signals with Interfering Modes Based on Prony Method and Spline Approximation
University Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS 5225（法国国家科学研究中心）
本文提出了一种结合普朗克方法和样条近似的新方法，用于在存在干扰模式的噪声多分量信号中更准确地估计瞬时频率。
2026-03-09 eess.SP
Testing for high frequency features in a noisy signal
给定非平稳数据，人们通常希望通过平滑或滤波从噪声中提取趋势。然而，通常重要的是描绘第三个中间类别，我们称之为高频（HF）特征：这是我们的激励示例中的情况，该示例包括解聚蛋白原纤维平均尺寸的时间动力学的实验测量。人们可以直观地将HF特征可视化为快速、可能非平稳和瞬态振荡的存在，与缓慢变化的趋势包络不同。本文的目的是提出一个经验定义的HF功能，并构建估计和统计测试，它们的存在相应的，当数据由一个嘈杂的非平稳的1维信号。我们提出了一个参数表征的HF功能的傅立叶域中定义一个最大的振幅和距离的低频率的显着的能量。我们引入了一个数据驱动的程序来估计这些参数，并计算一个p值代理的基础上的统计测试的HF功能的存在。测试首先在模拟信号上进行，其中控制HF特征与噪声水平的比率幅度。即使噪声水平是振荡幅度的五倍，该测试也能检测到HF特征。在第二部分中，测试是从朊病毒疾病实验的实验数据进行，并确认在这些信号中的HF功能的存在具有显着的信心。
2019-11-28 eess.SP
Intrinsic frequency distribution characterises neural dynamics
提出利用动态模态分解导出的内禀频率分布表征神经活动，其区分痴呆或帕金森病患者与健康受试者的准确率显著高于傅里叶变换幅值谱，可作为电生理信号非线性时空动力学的新生物标志物。
2025-07-14 eess.SP q-bio.NC
FMCW Lidar Beyond Nyquist by Instantaneous Frequency Fitting
Boston University（波士顿大学）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）
本文提出两种信号处理方法，通过考虑全波形恢复更大距离和速度范围，克服频率域中的混叠问题，并展示瞬时频率拟合在相位噪声下的鲁棒性。
2026-05-13 eess.SP
Enhanced Time-Frequency Representation and Mode Decomposition
时频表示（TFR）允许模式重构在解释和分析由各种模式组成的非平稳信号中起着重要的作用。然而，这是困难的，大多数以前的方法来处理信号模式与紧密间隔或频谱重叠的瞬时频率（IF），特别是在恶劣的环境。为了解决这个问题，我们提出了一种增强的TFR和模式分解（ETFR-MD）的方法，这是特别适合于表示和分解多模信号的低信噪比（SNR）条件下的接近或交叉的IF。提出的ETFR-MD的重点放在精确的IF和瞬时幅度（IA）提取的基础上的每一个信号模式的短时傅里叶变换（STFT）。首先，我们设计了一个初始的IF估计方法，专门用于涉及交叉IF的情况。此外，提出了一种低复杂度的模式增强方案，使增强的IF更好地适应潜在的IF法律。最后，从信号的STFT系数中提取IA与增强的IF相结合，使我们能够重建每个信号模式。此外，我们推导出数学表达式，揭示了我们的方法的最佳窗口长度和分离干扰。ETFR-MD与已有的相关方法兼容，因此可以被视为向更通用的时频表示和分解方法迈出的一步。实验结果证实了ETFR-MD与最先进的基准相比具有卓越的性能。
2020-08-30 eess.SP
Theory inspired deep network for instantaneous-frequency extraction and signal components recovery from discrete blind-source data
Hong Kong Baptist University（香港浸会大学）；Stanford University（斯坦福大学）；Claremont Graduate University（克莱蒙特研究生大学）
本文关注的是恢复未知的信号分量的逆问题，以及提取其瞬时频率（IF），由自适应谐波模型（AHM），从离散（可能是非均匀的）样本的盲源复合信号。现有的分解方法和算法，包括最流行的经验模式分解（EMD）计算方案及其当前的修改，是能够解决这个反问题。为了满足AHM公式并提取分解分量的IF，称为固有模式函数（IMF），EMD的每个IMF通过Hilbert变换扩展为复平面上半部分的解析函数，然后取解析扩展的极坐标形式的实部。不幸的是，这种方法往往不能令人满意地解决反问题。最近，为了解决逆问题，Daubechies和Maes提出了同步压缩小波变换（SST）的概念，并在许多其他论文中得到了进一步发展，而一种更直接的方法，称为信号分离操作（SSO），在我们之前的工作中提出并开发了应用和计算谐波分析，第30卷（2）：243-261，2016。在本文中，我们提出了一种合成的SSO使用深度神经网络，直接基于一个离散的样本集，这可能是非均匀采样，盲源信号。我们的方法是本地化的，所示的一些数值例子，包括不同的信号到达和离开时间的组件。它还产生信号分量的短期预测，以及它们的IF。我们的神经网络受到理论的启发，其设计使得它们不需要传统意义上的任何训练。
2020-01-31 cs.LG eess.SP stat.ML
Direct Signal Separation Via Extraction of Local Frequencies with Adaptive Time-Varying Parameters
可表述为信号的现实世界现象通常受许多因素的影响，并表现为多分量模式。为了理解和处理这些现象，“分而治之”可能是解决问题的最常见策略。换句话说，捕获的信号被分解为每个单独分量的信号分量以进行处理。不幸的是，对于非平稳幅度-频率调制（AM-FM）分量的叠加信号，“分治”策略注定会失败，因为没有办法确保分解的分量采用提取其瞬时频率（IF）和幅度（IA）所必需的AM-FM公式。在本文中，我们提出了一种自适应信号分离操作（ASSO）的有效和准确的单通道盲源多分量信号的分离，通过引入一个时变参数，局部适应IF和使用线性啁啾（线性调频）信号近似成分在每个时刻。基于线性啁啾信号的局部近似，我们推导了更精确的分量恢复公式。此外，一个恢复方案，连同脊检测方法，还提出了提取信号分量一个接一个，和时变参数更新为每个组件。该方法能够将复杂信号分离成分量或子信号，并直接重构信号趋势，适合工程实现。合成和真实世界的信号的数值实验，以证明我们的改进比以前的尝试。
2022-05-26 eess.SP
Smart Resource Allocation at mmWave/THz Frequencies with Cooperative Rate-Splitting
本文提出iDeCRS框架及ECO和EDT算法，在毫米波/太赫兹多用户下行链路中通过协作速率分割和跨时间块传输最小化能耗，仿真验证了其有效性。
2024-03-19 cs.IT eess.SP math.IT
Circulant Singular Spectrum Analysis: A new automated procedure for signal extraction
有时候，挑选出与给定频率相关的波动是有意义的。我们提出了一种新的变体SSA，循环SSA（CiSSA），它允许提取与事先指定的任何频率相关联的信号。与需要事后识别与提取的信号相关联的频率的其他过程相比，这是一种新颖性。我们证明了CiSSA是渐近等价于这些替代程序，但避免了随后的频率识别的需要的优点。我们检查其良好的性能，并通过几个模拟线性和非线性时间序列的替代SSA方法进行比较。我们还证明了它的有效性在非平稳的情况下。为了展示它如何与真实数据一起工作，我们应用CiSSA提取商业周期并对六个国家的工业生产指数进行季节性调整。经济学家跟踪这一指标是为了实时评估经济状况。我们发现，估计的周期匹配的日期从经济合作与发展组织的衰退显示其可靠性的商业周期分析。最后，我们分析了估计分量的强可分性。特别是，我们检查，去季节化的时间序列不显示任何剩余的季节性的证据。
2020-03-28 eess.SP stat.AP
RIFT: Entropy-Optimised Fractional Wavelet Constellations for Ideal Time-Frequency Estimation
Engineering Department, University of Cambridge（剑桥大学工程系）
本文提出RIFT方法，通过局部熵测度优化分数小波星座，实现高分辨率时频估计，有效抑制交叉项并提升精度。
2026-04-01 cs.SD eess.AS eess.SP
Resonant Tunneling Diode-Based THz SWIPT for Microscopic 6G IoT Devices
针对微型6G物联网太赫兹SWIPT，提出基于RTD的非线性能量收集模型与ASK收发方案，并通过互信息优化揭示信息速率和收集功率的折中关系。
2023-08-15 cs.IT eess.SP math.IT
