1、范围:通信领域中各种高频电路(含非线性电路)的组成、 工作原理及分析计算。 2、主要内容:高频小信号放大器、高频功率放大器、正玹波振 荡器、频谱的线性搬移电路、振幅调制与解调、 混频、频率调制与解调、参量电路、反馈控制电 路原理及应用。 3、要求:掌握基本概念和分析方法;掌握有关内容的数学 推导过程;理论与实际结合培养动手能力

§3-6 常用信号的傅里叶变换（广义 F.T. 广义谱） §3-7 周期信号的傅里叶变换（广义 F.T. 广义谱） §3-8 傅里叶变换性质——信号时域波形与频域频谱的关系

二非周期信号激励下的系统的响应 1.付立叶积分法概述 2怎样理解傅立叶变换法可以分析系统的瞬态响应? 例:一个稳定的直流电瓜和一个接通的直流电瓜,在时域中的表达式不同,在频域中频谱分布也不同。在对激励信号进行傅立叶变换时,产生瞬态响应的频率也包含在变换式中

6.1 非正弦周期信号及分解 6.2 非正弦周期信号的频谱 6.3 非正弦周期信号的有效值、 平均值和平均功率 6.4 非正弦周期电路的计算

建立了煤岩受载破坏声电全波形同步采集系统, 对煤样单轴压缩破坏过程中的声电信号进行了全波形采集, 研究了声电信号能量与载荷降之间的相关关系, 并分析了声电信号的频谱特征. 结果表明: (1)煤体受载破坏过程中产生显著的声电信号; 电磁辐射信号是阵发性的, 仅伴随载荷降和较高强度声发射信号出现; (2)相对于声发射, 电磁辐射与载荷降有更好的相关性; 与煤体受载破坏的能量释放累积量相关联的声电信号能量和载荷降累计值三者之间均呈高度正相关; (3)电磁辐射优势频带窄于声发射, 前者主要集中在1~25 kHz, 后者主要集中在1~280 kHz; 受同一裂纹萌生和扩展的影响, 两者在频谱和主频分布上都有近似的低频成分

1. 掌握傅里叶变换分析技术和傅里叶级数分析技术的基本概念和计算，尤其要注意应用性质来计算一些常用信号的频谱 2. 熟悉时域特性与频域特性的对应关系 3. 弄清信号频谱的意义以及连续谱与离散谱的区别和联系 4. 卷积定理是系统频域分析的重要工具，要认真掌握 5. 采样定理是离散信号处理的理论基础，应领会其含义并会应用信号与系统 §3-1 非周期信号的频域分析-傅里叶变换 § 3-2 典型非周期信号的傅里叶变换和傅里叶变换的性质

提出了一种基于移频技术的短时傅里叶变换阶比分析算法.该算法利用傅里叶变换在频域的卷积性质,对原始信号在时域乘以e-j2πfit使fi的频谱能量搬迁到零频处,按一定的频率间隔改变fi就可以在零频处得到其他频率的频谱能量,以此来提高短时傅里叶变换在时频分析中的频率分辨率.然后在时频面上进行局部阈值降噪,同时跟踪转速的变化,最终应用到变速机械的阶比分析中.与短时傅里叶变换分析结果对比表明,本文方法可以更加准确地跟踪到实际的转速.实际降速过程中轴承信号利用本文方法进行阶比分析,成功提取到轴承的故障特征频率

振动信号的周期性冲击及其重复频率是滚动轴承故障诊断的关键.本文提出了一种基于集合经验模式分解和交叉能量算子提取滚动轴承故障特征的方法.首先,应用集合经验模式分解方法将振动信号分解为本征模式函数以满足交叉能量算子对信号单分量的要求.然后根据相关程度和峭度从本征模式函数中选取敏感分量,计算敏感分量和原始信号的瞬时交叉能量及其傅里叶频谱.最后根据交叉能量的频谱结构和特征频率识别轴承故障.通过分析滚动轴承故障仿真信号和实验测试信号,诊断了滚动轴承元件故障,验证了该方法的有效性

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法.首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障.分析结果表明该方法能够有效诊断滚动轴承故障

行星齿轮箱振动信号包含多种频率成分和噪声干扰，频谱具有复杂的边带结构，容易对故障识别造成误导甚至引起错判.在不同故障状态下，行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同，根据这一特点，提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题，增强对噪声干扰的鲁棒性，采用局部均值分解法将信号自适应地分解为单分量之和，提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题，采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法，并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号，根据样本流形特征聚类结果，分别识别出了太阳轮、行星轮和齿圈的局部故障，从而验证了上述方法的有效性