生成以600 Hz采样的信号2秒。信号由具有正弦变化频率内容的啁啾组成。

FS = 6E2;T = 0：1 / FS：2;X = VCO（SIN（2 * PI * T），[0.1 0.4] * FS，FS）;

将信号存储在未格式化的深度学习阵列中。计算信号的短时傅里叶变换。将采样时间输入为a期间标量。（或者，将采样率作为数字标量输入。）指定输入数组是'CTB'格式。

dlx = dlarray (x);(年,咦,f t) = dlstft (dlx,秒(1 / fs),'datomformat'那'CTB'）;

将输出转换为数字数组。计算短时傅里叶变换的幅度，并将其显示为瀑布图。

Yr =提取物（Yr）;yi =提取物（yi）;f =提取数据（f）;t =秒（t）;斧头= newplot;瀑布（斧头，F，T，挤压（斜角（YR，Yi））'）Ax.xdir ='撤销';查看（30,45）ylabel（'时间''）Xlabel（'频率（Hz）'）Zlabel（'震级'）

生成A. $3.\times 160.（\times 1）$阵列包含一批三通道，160样本正弦信号。标准化的正弦频率是 $\pi /4.$rad /样品， $\pi /2$rad /样品，和 $$3.\pi /4.$$Rad /样品。将信号保存为一个dlarray.，按顺序指定尺寸。dlarray.将数组维数排列为'CBT'深入学习网络预期的形状。显示阵列尺寸大小。

x = dlarray（cos（pi。*（1：3）'/ 4 *（0：159）），'CTB'）;[nchan，nbtch，nsamp] = size（x）

nchan = 3.

NBTCH = 1

nsamp = 160.

计算信号的深度学习短时傅里叶变换。指定64样本矩形窗口和FFT长度为1024。

[Re，IM，F，T] = DLSTFT（X，'窗户'，etcrwin（64），'fftlength'，1024）;

dlstft.计算变换沿着'T'尺寸。输出阵列在'scbt'格式。这'尺寸对应于短时傅里叶变换中的频率。

从深度学习阵列中提取数据。

Re =挤压（提取物（RE））;IM =挤压（提取数据（IM））;f =提取数据（f）;t =提取数据（t）;

计算短时傅里叶变换的幅度。为瀑布图中的每个通道分别绘制幅度。

z = abs（re + 1j * im）;为了kj = 1：nchan子图（nchan，1，kj）瀑布（f / pi，t，挤压（z（：，kj，:)'）查看（30,45）结尾Xlabel（'频率（\ times \ pi rad / sample）'）ylabel（'样品'）