获取完整数据和代码，请直接加

kang20224

算法提出了一种改进型多同步挤压提取变换，在传统同步挤压变换基础上，首先通过多次迭代递归地细化瞬时频率估计，然后利用细化后的瞬时频率，结合与频率偏差呈指数衰减的加权系数对 STFT 系数进行能量重分配，从而在时频平面上获得极高的能量聚集度；同时引入 Rényi 熵作为定量评价指标，以衡量时频表示的稀疏性和能量集中程度。通过对电压暂升（含谐波）信号和蝙蝠回声信号（含噪与不含噪）的实验对比 STFT、SST、MSST、IMSST、MSSET 及 IMSSET，结果表明 IMSSET 能够显著降低 Rényi 熵值，提升时频可读性和抗噪性能。

算法步骤

参数初始化：将输入信号转换为列向量，设定高斯窗长度、瞬时频率迭代次数及 Rényi 熵阶数 α。

高斯窗构造：生成奇数长度的对称高斯窗，并进行能量归一化。

短时傅里叶变换：对每个时间点截取信号段，加窗后进行快速傅里叶变换，保留正频率部分，得到 STFT 时频矩阵。

初始瞬时频率估计：对 STFT 每个时频点的相位沿时间轴解卷绕并求差分，得到初始瞬时频率矩阵。

迭代细化瞬时频率：多次循环，对每个时频点，将其瞬时频率取整后作为索引，用该索引处的瞬时频率值（或与当前值的平均）更新当前瞬时频率，实现频率估计的递归平滑。

能量重分配：利用最终细化的瞬时频率，将每个 STFT 系数乘以与频率偏差相关的指数权重后，累加到目标时频位置（IMSSET 特有加权步骤）。

归一化与熵计算：对时频表示进行能量归一化，转化为概率分布后，按 Rényi 熵公式计算熵值，用于定量评价时频聚集性能。