Python环境下时间序列信号的同步压缩变换时频分析方法使用时-频域联合分布描述时间序列信号的瞬态特征，并通过瞬时频率估计来表征信号的特征频率随时间变化的趋势，在时间序列信号处理中得到了广泛的应用。STFT 和WT等常用的时频分析方法时频分辨率较低，而且对于多分量时变信号的匹配效果不佳；WVD对噪声的鲁棒性不足且对于多分量时变信号存在交叉干扰项；EMD及其改进方法缺乏数学理论支撑，并存在端点效应和模态混叠等问题。以上时频分析方法存在一些共性问题，例如它们在时频平面的变换系数分布比较离散，瞬时频率曲线幅值能量不够集中，因此时频谱会出现模糊的现象。为了实现理想的时频表示，在原始时频谱的基础上进行能量重排是当前的研究热点。基于同步压缩变换SST的时频分析方法实现了对时频系数的压缩和重排，能够对复杂多分量信号实现高分辨率表达。同步压缩变换的前身，即重排算法，具有坚实的理论基础。重排算法作为一种后处理的时频分析方法，主要用于提升时频表达的效果，但是它最大的缺陷是不支持信号重构。在此基础上，小波的创始人之一Daubechies等在2011年提出了同步压缩小波变换SST，SST通过同步压缩算子对时频系数进行重排，将信号在时频平面任一点处的时频分布移到能量的重心位置，增强瞬时频率的能量集中，较好地解决传统时频分析方法存在的时频模糊问题。