Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "transformata czasowo-częstotliwościowa" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Analiza czasowo-częstotliwościowa akustycznych obrazów falowych za pomocą transformaty falkowej
    Time-frequency analysis of acoustic full waveforms using wavelet transform
    Autorzy:
    Wawrzyniak, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/183753.pdf
    Data publikacji:
    2005
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    analiza czasowo-częstotliwościowa
    transformata falkowa
    fale sprężyste
    akustyczne obrazy falowe
    time-frequency analysis
    wavelet transform
    elastic waves
    acoustic full waveforms
    Opis:
    Interpretacja akustycznych obrazów falowych opiera się na identyfikacji fal sprężystych rejestrowanych w otworze. Problem z określeniem czasów przyjścia i trwania pakietów falowych może być rozwiązany dzięki zastosowaniu analiz czasowo-częstotliwościowych, takich jak transformata falkowa. Do rozdzielenia pola falowego rejestrowanego na akustycznych obrazach falowych zastosowano dyskretną i ciągłą transformatę falkową. Prowadzone badania dowiodły, że z uwagi na nieduże zróżnicowanie częstotliwości w pakietach fal P i S dyskretna transformata falkowa nie nadaje się do rozwiązania postawionego zadania. Jest za to bardzo dobrym narzędziem do odfiltrowania szumów z rejestrowanych sygnałów. Wykorzystanie ciągłej transformaty falkowej, która charakteryzuje się większą rozdzielczością, daje szansę na wydzielenie fal z akustycznych obrazów falowych
    Interpretation of acoustic full waveforms is based on identification of elastic waves recorded in boreholes. Determination of arrival time and duration of wave packets can be solved using time-frequency analyses such a wavelet transform. Discrete and continuous wavelet transform were applied to decomposition of wave field. Research showed that discrete wavelet transform is not a proper tool to solving the problem. However, it allows denoising signals. Research on continuous wavelet transform, which has better resolution, are carried out and gives a chance to decompose wave field into separate waves
    Źródło:
    Geologia / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie; 2005, 31, 3/4; 309-335
    0138-0974
    Pojawia się w:
    Geologia / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza rzędów w diagnostyce niestacjonarnych procesów wibroakustycznych
    Order analysis in the diagnostic nonstacjonary vibroacustic process
    Autorzy:
    Korbiel, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/329138.pdf
    Data publikacji:
    2007
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    analiza sygnałów
    diagnostyka procesów niestacjonarnych
    transformata czasowo-częstotliwościowa
    krzywe sklejane
    order analysis
    nonstacjonary process diagnostics
    time-frequency transforms
    spline curve
    Opis:
    Analiza określonej klasy sygnałów drganiowych w diagnostyce technicznej odbywa się poprzez transformatę z dziedziny czasu do dziedziny częstotliwości. Najczęściej wykorzystywany jest algorytm transformaty Fouriera. Jednym z ograniczeń tych algorytmów jest wymóg stacjonarności badanych sygnałów. W diagnostyce maszyn rotacyjnych istotna informacja dotycząca stanów dynamicznych zawarta jest w strukturze częstotliwościowej sygnału drganiowego. W przypadku stałej prędkości obrotowej transformata Fouriera poprawnie pokazuje tą strukturę. Dla zmiennych obrotów analiza taka jest utrudniona. Do analizy sygnałów niestacjonarnych wykorzystywane są inne narzędzia, takie jak STFT, TVW czy transformata falkowa. Są to narzędzia analizy czasowo- częstotliwościowej. W analizie sygnałów drganiowych maszyn rotacyjnych składowe częstotliwościowe są powiązane funkcyjnie nie z czasem, lecz z prędkością obrotową. Wskazane jest, zatem zastosowanie takiej analizy, która przeprowadzi sygnał z dziedziny czasu w dziedzinę prędkości obrotowej. Takie możliwości daje między innymi analiza rzędów. W referacie przedstawiono algorytm analizy rzędów oparty o interpolacje krzywymi sklejanymi. Przedstawiono wyniki badania tego algorytmu pod kątem wykorzystania w diagnostyce technicznej maszyn rotacyjnych. Zaprezentowano przykładową analizę diagnostycznych sygnałów drganiowych.
    The analysis of particular class of vibration signals is performed by transformation from the time domain to frequency domain. The algorithm of Fourier transformation is the most used one. One of the limitations of the mentioned fourier is the demand of stationarity of the signals. In rotary machines diagnostics information on dynamic states is important, which is contained in the frequency structure of the vibration signal. With the constant rotation speed Fourier transform describes frequency structure correctly. With variable speed such analysis is not possible. In that case other tools are used, such as STFT, TVW or wavelet transform. Those are time-frequency analysis tools. In rotary machine vibration signal analysis frequency components are functionally tied to rotations, not time. It is recommended then to use analysis that transforms the signal from the time domain into rotation speed domain. Such transformation is possible with rank analysis. The paper presents the rank analysis algorithm based on spline curve interpolation. The algorithm was tested in use for rotary machines technical diagnostics. Sample vibration signal analysis is presented.
    Źródło:
    Diagnostyka; 2007, 3(43); 99-104
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of the EEG Signal Classifiers LDA, NBC and GNBC Based on Time-Frequency Features
    Porównanie klasyfikatorów LDA, NBC i GNBC sygnału EEG stosujących cechy czasowo-częstotliwościowe
    Autorzy:
    Szuflitowska, B.
    Orłowski, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/275175.pdf
    Data publikacji:
    2017
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
    Tematy:
    electroencephalograph classification
    machine learning
    short-time Fourier transform
    time-frequency analysis
    elektroencefalografia
    klasyfikacja
    uczenie maszynowe
    krótkoczasowa transformata Fouriera
    analiza czasowo-częstotliwościowa
    Opis:
    EEG signals are non-stationary and used to study the activities of the brain in pathology. Epilepsy belongs to the most common neurological diseases. In the paper, real EEG sequences described by a doctor as normal and epileptic (ictal and interictal) are used. In classification process these sequences are divided into training and testing subsets. The classification are performed using Short-Time Fourier Transform. Based on obtained spectrum four features have been extracted. The study presents experiments based on the analysis and classification of EEG signals using various methods, including Linear Discriminant Analysis, Naive Bayes Classifier and Gaussian Naive Bayes Classifier. The results indicated that used techniques a potential to be applied within an automatic neurologic diseases diagnosis system and could thus further increase the number of correct diagnoses.
    Sygnały EEG są z definicji niestacjonarne i stosowane do badania aktywności mózgu w patologii. Epilepsja należy do najczęstszych chorób neurologicznych. W pracy użyto rzeczywistych sekwencji EEG określonych przez lekarza jako stan normalny oraz padaczka (stany napadowe oraz międzynapadowe). W procesie klasyfikacji sygnały zostały podzielone na dwa podzbiory – uczący oraz testujący. Klasyfikacja została przeprowadzona za pomocą krótkotrwałej transformaty Fouriera. Na podstawie otrzymanego widma dokonano ekstrakcji czterech cech. Badanie przedstawia eksperymenty oparte na analizie i klasyfikacji sygnałów EEG za pomocą różnych metod, w tym Liniowej Analizy Dyskryminacyjnej, Naiwnego Klasyfikatora Bayesa oraz Naiwnego Klasyfikatora Bayesa dla rozkładu Gaussa. Wyniki pokazują, że użyty algorytm może być potencjalnie stosowany w automatycznej diagnostyce schorzeń neurologicznych i może w przyszłości zwiększyć liczbę poprawnie stawianych diagnoz.
    Źródło:
    Pomiary Automatyka Robotyka; 2017, 21, 2; 39-45
    1427-9126
    Pojawia się w:
    Pomiary Automatyka Robotyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies