DSTFT-STFT 离散短时傅里叶变换-短时傅里叶变换详细解析

晨晨丶

已于 2024-03-20 09:59:21 修改

阅读量2k

点赞数 27

分类专栏：信号处理文章标签：数学建模离散短时傅里叶变换DSTFT 短时傅里叶变换STFT 时频分析信号处理

于 2024-03-20 09:24:50 首次发布

本文链接：https://blog.csdn.net/qq_43700729/article/details/136862489

版权

信号处理专栏收录该内容

7 篇文章 0 订阅

订阅专栏

4. 满足COLA（Constant Overlap-Add）条件

STFT

短时傅里叶变换（Short-Time Fourier Transform，STFT）是一种分析信号频率特性随时间变化的数学工具。它通过在信号上滑动一个窗口，对窗口内的信号片段进行傅里叶变换（Fourier Transform），以此来观察信号的局部频率特性。STFT是一种在时间-频率分析中非常重要的方法，尤其适用于非平稳信号的分析，如音频信号和电磁波信号。STFT提供了一种在时频域内表达信号的方式，它比传统的傅立叶变换提供了更多关于信号随时间变化的频率信息。

基本原理

传统的傅里叶变换（FT）能够提供一个信号的频率组成，但是它不包含时间信息，因此无法用来分析随时间变化的频率成分。STFT通过引入一个固定长度的窗口函数（如汉明窗、高斯窗等），在原信号上以一定的步长进行滑动，对每一个窗口内的信号片段进行傅里叶变换，从而得到该片段的频率信息。通过这种方式，STFT将信号映射到一个二维的时间-频率表示中，使我们能够观察信号在任何给定时刻的频率分布。

数学表达式

短时傅立叶变换（Short-Time Fourier Transform, STFT）是分析信号在不同时间点上频率成分的一种工具。其基本思想是将时间信号分段，并对每段信号应用傅立叶变换，以此来观察信号频率成分的时间变化。STFT不仅捕捉到了信号的频率信息，也保留了时间信息，使之成为时频分析的基石。

STFT的数学定义

短时傅立叶变换将连续的信号 x(t) 和一个固定长度的窗函数 w(t) 结合，通过移动窗函数来分析信号在不同时间段的频率特性。数学上，STFT定义为：

式中，x(t) 表示待分析的信号。w(t-τ) 表示窗函数，它随时间 τ 移动。窗函数通常在中心附近取值较大，远离中心时迅速衰减到0，从而只有窗口内的信号对当前的分析有贡献。f 表示频率变量。 $e^{-j2\pi ft}$ 傅立叶变换的核心，表示频率 f 的复指数函数。τ 是时间变量，代表了窗口的中心位置，用于控制当前分析的时间点。

STFT组件的理解

信号 x(t): 待分析的原始信号。
窗函数 w(t−τ): 用于在每个时间点 τ 选择信号的一个局部（“短时”）来进行分析。窗函数的形状和宽度对STFT的性能有着直接的影响，常见的窗函数包括矩形窗、汉宁窗、汉明窗等。
复指数函数 $e^{-j2\pi ft}$ : 代表频率 f 的旋转，用于将信号从时域转换到频域。
时间变量 τ: 窗函数的中心位置，通过改变 τ 来“滑动”窗口，对信号的不同部分进行分析。

时间-频率分辨率的权衡

STFT的一个核心特点是时间与频率分辨率之间的权衡。窗函数的宽度直接影响到分辨率：

窗宽较大时，可以获得更好的频率分辨率但较差的时间分辨率。
窗宽较小时，时间分辨率提高，但频率分辨率降低。

这种权衡源于傅立叶变换的不确定性原理，即无法同时精确知道信号的时间位置和频率成分。

窗函数

窗函数在信号处理中是一个重要的概念，特别是在进行傅立叶变换（FT）或短时傅立叶变换（STFT）时。窗函数用于限制或“窗口化”信号的一部分，以便于进行局部分析。这是因为FT本质上是对无限长信号的分析，而实际应用中我们通常处理的是有限长或者需要局部分析的信号。窗函数通过乘以信号，实现对信号的时间局部化，但这同时会在频域引入一些效应，比如频谱泄露和分辨率的变化。

窗函数 w(t) 的选择对STFT的性能有重要影响。窗函数的作用是在每个时间点 τ 处，只让一部分信号参与到傅立叶变换中，这部分信号是信号 x(t) 和窗函数 w(t−τ) 的乘积。常用的窗函数包括矩形窗、汉宁窗、汉明窗和高斯窗等。

窗函数的作用

1. 局部化分析：允许在信号的特定时间段内进行频域分析，尤其适用于非平稳信号，即其特性随时间变化的信号。

2. 减少频谱泄露：通过平滑边缘，减少因截断信号而在频谱中引入的泄露。

3. 控制时频分辨率：窗函数的形状和宽度影响信号的时频分辨率，进而影响分析的细致程度和准确性。

常见的窗函数

1. 矩形窗：最简单的窗函数，非零部分的值为常数。它提供最高的频率分辨率，但频谱泄露最严重。

2. 汉宁窗和汉明窗：这两种窗在边缘降为零，中间部分较高，因此能够减少频谱泄露。它们在信号处理中非常常见，平衡了分辨率和泄露。

3. 高斯窗：形状为高斯分布，能够很好地平衡时间和频率分辨率，尤其适合于分析时变信号。

4. 布莱克曼窗和凯泽窗：提供了调节参数，允许用户根据需要调整时频分辨率的平衡。

窗函数的选择

窗函数的选择依赖于特定应用的需求：

频率分辨率：如果需要高频率分辨率，则可能选择矩形窗或凯泽窗。
减少频谱泄露：如果目标是减少频谱泄露，汉宁窗或汉明窗可能是更好的选择。
时频分辨率的权衡：如果需要在时间分辨率和频率分辨率之间找到平衡，高斯窗或凯泽窗（通过调节其参数）可以提供灵活的解决方案。

DSTFT

离散时间短时傅立叶变换（Discrete Short-Time Fourier Transform, DSTFT）是短时傅立叶变换在离散信号上的应用。这种变换在数字信号处理中尤为重要，因为在实际应用中，我们经常处理的是采样后的信号，即离散信号。DSTFT通过在信号的不同时间段上应用离散傅立叶变换（DFT），提供了一种分析信号频率成分随时间变化的方法。

基本概念

离散时间短时傅立叶变换通过对信号进行分段和加窗，然后对每段加窗后的信号进行DFT，来分析信号在各个时间段的频率成分。这种方法使得我们可以获得信号的时频表示，即了解信号的频率成分是如何随时间变化的。

数学表达式

对于一个离散信号 x[n]，其中 n 是整数时间索引，DSTFT的数学表达式定义为：

式中，X(m,k) 表示在时间索引 m 和频率索引 k 处的DSTFT结果。x[n] 是原始信号。w[n−mR] 是窗函数，作用于信号的局部区域。这里 m 是窗口的时间索引，R 是窗口的移动步长（也称为Hop size），用于确定窗口在信号中的位置。 $e^{-j2\pi \frac{k}{N}n}$ 是离散傅立叶变换的核心表达式，表示频率 k 的复指数函数，其中 N 是DFT的点数。

DSTFT各组件的理解

离散信号 x[n]：需要分析的原始信号。
窗函数 w[n−mR]：窗函数用于从整个信号中选择一个局部段进行分析。常用的窗函数包括矩形窗、汉宁窗、汉明窗等，每种窗函数都有其特定的特性和用途。窗函数的选择会影响到最终分析的结果，包括频谱泄露和频率分辨率等。
时间索引 m 和 频率索引 k：m用于追踪不同时间段的窗口位置，k 用于标识DFT计算中的频率成分。
窗口的移动步长 R：确定了窗口移动的距离，影响到信号的重叠程度。较小的 R 值会导致更高的重叠率，可以提高时间分辨率，但同时增加计算量。
DFT点数N：决定了频率分辨率和计算的频率点数。N 越大，频率分辨率越高，但计算复杂度也随之增加。

时间-频率分辨率权衡

DSTFT中的时间-频率分辨率权衡是通过窗函数的长度（和形状）以及DFT点数 N 来实现的。窗口越长，频率分辨率越高，但时间分辨率越低；反之亦然。这种权衡是信号处理中的一个基本原则，需要根据具体的应用场景来做出适当的选择。

COLA条件

Constant Overlap-Add (COLA) 条件是在信号处理中，尤其是在使用窗函数进行加窗操作和随后的重叠-相加（Overlap-Add, OLA）重构时必须满足的一种条件。这个条件保证了当多个加窗后的信号片段被重叠并相加重构回单一信号时，可以无缝且无失真地完成。

COLA条件的基本定义

具体来说，当使用窗函数 w(n) 对信号进行加窗处理，并且窗口之间有重叠时，COLA条件要求所有重叠窗函数的加和在每一点上都保持恒定。这意味着，如果我们将每个窗口的响应在重叠区域相加，结果应该是一个常数，通常这个常数是1（或全范围内恒定的某个值），以确保重构信号的一致性和无失真。

数学表达

数学上，如果窗函数 w(n) 的长度为 M，重叠部分为 R（表示每次移动 R 个样本），则COLA条件可以表示为对于所有整数 k，有：

式中，n 是时间索引，m 是重叠窗的索引，R 是重叠步长，这个条件必须对所有 n 都成立。

重要性

遵守COLA条件对于确保通过重叠-相加过程得到的输出信号不会有失真是非常重要的。这对于各种应用来说都是必须的，特别是在语音处理、音频信号处理以及其他需要窗口化处理和重构信号的场合。不满足COLA条件可能会导致重构信号时出现不连续、失真或其他不期望的效果。

在很多自适应滤波应用中，滤波器系数会根据输入信号统计特性的改变而改变，是时变的，这个时候为了减小系数突变造成信号帧与帧之间的不连续，一般在分帧的时候都会使一部分重叠，也是STFT公式中的步长R小于窗长M，同时，为了提高频谱分辨率，减少频谱泄露，会选择其它的窗如hamming、hann窗等。

为什么在STFT或DSTFT时，要考虑窗口重叠？主要原因如下：

1. 减少信息丢失

边缘效应：当信号被窗函数截取用于局部傅立叶变换时，窗函数边缘的衰减可能会导致信号的信息丢失。特别是对于边缘处突然变化的信号来说，这种效应更为显著。通过重叠窗口，可以确保这部分信号在下一个窗口中被中心覆盖，从而减少信息的丢失。
连续性：重叠可以帮助保持窗口之间的连续性，特别是当信号的特性在时间上变化时。这种方法可以确保每个窗口捕捉到的信号片段都能更好地表示原始信号的局部特征。

2. 提高时间分辨率

通过增加窗口的重叠程度，可以更频繁地分析信号，这在一定程度上提高了时间分辨率。虽然每个窗口的频率分辨率是由窗口大小决定的，但增加重叠可以让我们更密切地跟踪信号的时间变化。

3. 平滑时间-频率表示

在STFT的结果中，增加窗口的重叠程度可以使得时间-频率表示更加平滑。这对于分析和可视化信号的时间-频率特性特别有帮助，因为它减少了由于窗口切换造成的任何突变或不连续。

4. 满足COLA（Constant Overlap-Add）条件

在某些应用中，尤其是需要信号重构的场景中，窗口的重叠程度需要满足COLA条件，以保证窗口化处理和重叠相加（OLA）操作可以无失真地重建原始信号。COLA条件要求在重叠相加过程中，所有重叠窗口的和在每一点上都保持恒定。

5. 减少频谱泄露

重叠窗口可以在一定程度上减少由于非周期性信号截断引起的频谱泄露。这是因为重叠提供了更多的窗口来分析信号的每个部分，从而使得频谱估计更加准确。

总结

在实践中，窗口的重叠程度需要根据具体应用进行选择。较高的重叠率会增加计算量，但可以提供更细致的时间分辨率和更平滑的时频表示。通常，50% 的重叠被认为是许多应用的良好折衷方案，而对于希望最大限度减少重构误差的应用，可能会选择更高的重叠率。

应用

在实际应用中，设计满足COLA条件的窗口和选择合适的窗口重叠程度需要仔细考量。例如，在进行STFT（短时傅立叶变换）时，常用的汉宁窗和汉明窗通常与50%的重叠率结合使用，这样可以满足COLA条件，从而确保信号可以无失真地重构。

信号重建

在信号处理中，重建通常指的是从处理后的信号中恢复原始信号的过程。这个过程对于保证信号处理算法的无损性尤其重要，比如在语音处理、音乐分析和各种通信系统中。下文以离散信号的逆短时傅立叶变换为例介绍信号重建。

STFT重建的基本原理

STFT将原始信号分割成重叠的段，每一段都被窗函数加权，然后对每一段进行傅立叶变换，产生一系列时频域表示。重建的目标是逆转这个过程，从这些时频表示中恢复出原始的时间域信号。

重建过程

1. 逆短时傅立叶变换（Inverse Short-Time Fourier Transform, ISTFT）：首先，对DSTFT的结果应用逆傅立叶变换，将每一段的时频表示转换回时间域。

2. 重叠并相加（Overlap-Add, OLA）：然后，将所有转换回的时间域段重叠并相加。如果在STFT过程中正确处理了窗口重叠，并且满足了某些条件（如COLA），这一步骤可以无失真地恢复原始信号。

3. 去窗（Window Compensation）：由于每段信号在STFT中都被窗函数加权过，因此在重建过程中需要对这种加权进行补偿。在理想情况下，如果窗函数和重叠策略被恰当选择，所有段的加权和将在每个时间点上等于1，这意味着可以直接通过重叠并相加的结果恢复原信号。如果不是，可能需要通过除以一个窗函数的加权和来进行补偿。

数学表达

逆短时傅立叶变换（ISTFT）的数学表达式用于从DSTFT的时频表示中恢复原始的时间域信号。设 X(m,k) 是信号的STFT，其中 m 和 k 分别表示时间和频率的索引，ISTFT的数学表达式如下：

式中，x[n] 是重建后的时间域信号。X(m,k) 是原始信号的STFT表示，m 表示时间帧索引，k 表示频率索引。w[n−mR] 是应用于原始信号的窗函数。R 是窗口的移动步长，即重叠部分。N 是进行DFT的点数，与原始STFT中使用的点数相同。 $e^{j2\pi ft}$ 是逆离散傅立叶变换（IDFT）的核心部分，用于将频域信号转换回时间域。

注意

在实践中，窗函数 w[n] 和重叠步长 R 的选择必须确保能够满足恒定重叠加和（COLA）条件，以便无失真重建。
上述表达式假定STFT是在足够长的DFT长度上计算的，以便覆盖所有相关频率。
实际应用中，信号通常是有限长的，因此在实现时需要对边界情况进行适当处理。

晨晨丶

关注

27
点赞
踩
29

收藏

觉得还不错? 一键收藏
打赏
1
评论
DSTFT-STFT 离散短时傅里叶变换-短时傅里叶变换详细解析

短时傅立叶变换（Short-Time Fourier Transform, STFT）是一种分析时变信号频谱特性的方法。它通过将信号分割成较短的时间片段，并对每个时间片段进行傅立叶变换（FT），从而能够观察信号的频率成分是如何随时间变化的。这种方法特别适用于非平稳信号的频谱分析，即那些其统计特性随时间变化的信号。STFT提供了一种在时频域内表达信号的方式，它比传统的傅立叶变换提供了更多关于信号随时间变化的频率信息。
复制链接

扫一扫