Wigner-Ville分布：时频分析的有力工具

Wigner-Ville分布：时频分析的有力工具

时频分析是信号处理领域的重要方法，它允许我们同时观察信号在时间和频率域的特性。在众多时频分析工具中，Wigner-Ville分布(WVD)因其独特的数学特性和优越的时频分辨能力而备受关注。

Wigner-Ville分布的基本概念

传统的信号分析方法如傅里叶变换只能提供信号的频域信息，而时域信息则完全丢失；同样，时域分析无法反映信号的频率特性。然而，许多实际信号（如语音、雷达回波、生物医学信号等）的频率特性随时间变化，这类信号被称为非平稳信号。对于非平稳信号，我们需要同时了解信号在时间和频率上的分布特性，这就是时频分析的核心目标。Wigner-Ville分布是由Eugene Wigner在1932年首次提出，后由Jean-André Ville在1948年进一步发展而来的一种二次时频分布。它能够提供信号能量在时频平面上的分布情况，特别适合分析频率随时间变化的信号。

Wigner-Ville分布的数学定义

对于一个连续时间信号$x(t)$，其Wigner-Ville分布定义为：

$$W_x(t,f)={\int }_{-\infty }^{\infty }x(t+\frac{\tau }{2})x^{\ast }(t-\frac{\tau }{2})e^{-j2\pi f\tau }d\tau$$

其中，$x^{\ast }(t)$表示$x(t)$的复共轭，$t$是时间变量，$f$是频率变量，$\tau$是积分变量。

对于离散时间信号$x[n]$，其离散Wigner-Ville分布可表示为：

$$W_x[n,k]=\sum _{m=-\infty }^{\infty }x[n+m]x^{\ast }[n-m]e^{-j4\pi mk/N}$$

其中，$n$是离散时间索引，$k$是离散频率索引，$N$是FFT的长度。

从更深层次的数学角度来看，Wigner-Ville分布可以被视为信号的自相关函数的傅里叶变换。定义瞬时自相关函数为：

$$R_x(t,\tau )=x(t+\frac{\tau }{2})x^{\ast }(t-\frac{\tau }{2})$$

则Wigner-Ville分布可以表示为：

W x ( t , f ) = ∫ − ∞ ∞ R x ( t , τ ) e − j 2 π f τ d τ = F τ → f { R x ( t , τ ) } W_x(t,f) = \int_{-\infty}^{\infty} R_x(t,\tau)e^{-j2\pi f\tau}d\tau = \mathcal{F}_{\tau \to f}\{R_x(t,\tau)\} Wx​(t,f)=∫−∞∞​Rx​(t,τ)e−j2πfτdτ=Fτ→f​{Rx​(t,τ)}

这种表示方法揭示了Wigner-Ville分布与信号自相关性的内在联系，有助于我们从另一个角度理解其物理意义。

Wigner-Ville分布的物理意义

Wigner-Ville分布可以被理解为信号能量在时频平面上的分布。对于任意时刻$t$和频率$f$，$W_x(t,f)$表示信号在该时频点附近的能量密度。通过积分，我们可以得到：

$${\int }_{-\infty }^{\infty }{W}_x(t,f)df=|x(t){|}^2$$

$${\int }_{-\infty }^{\infty }{W}_x(t,f)dt=|X(f){|}^2$$

这表明Wigner-Ville分布的边缘分布分别对应信号的瞬时功率和功率谱密度，这是Wigner-Ville分布的重要性质之一。

Wigner-Ville分布的计算实现

实际计算中，我们通常需要对信号进行窗口处理，以减少计算复杂度并控制交叉项的影响。这就引出了伪Wigner-Ville分布(PWVD)：

$$PW{V}_x(t,f)={\int }_{-\infty }^{\infty }h(\tau )x(t+\frac{\tau }{2})x^{\ast }(t-\frac{\tau }{2})e^{-j2\pi f\tau }d\tau$$

其中$h(\tau )$是窗函数，用于限制积分范围。

进一步，为了减少交叉项的影响，我们可以引入平滑Wigner-Ville分布(SWVD)：

$$SW{V}_x(t,f)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }g(t-u)h(\tau )x(u+\frac{\tau }{2})x^{\ast }(u-\frac{\tau }{2})e^{-j2\pi f\tau }d\tau du$$

其中$g(t)$是时间平滑窗口。

在实际的数值计算中，我们需要考虑采样率、窗口长度、FFT长度等参数的选择。一个高效的实现方法是利用快速傅里叶变换(FFT)算法。对于离散信号$x[n]$，我们可以首先计算瞬时自相关函数：

$$R_x[n,m]=x[n+m]x^{\ast }[n-m]$$

然后对每个时间点$n$，对$R_x[n,m]$关于$m$进行FFT，得到该时间点的频率分布。为了进一步提高计算效率，可以采用分块处理的方法，即将长信号分成若干重叠的短段，分别计算其Wigner-Ville分布，然后拼接得到完整的时频表示。这种方法不仅可以降低计算复杂度，还可以利用并行计算技术进一步提高效率。

Wigner-Ville分布的性质

Wigner-Ville分布具有许多优良的数学性质，使其在时频分析中占据重要地位：

1. 实值性：对于实信号，Wigner-Ville分布是实值函数。

2. 时频边缘性质：如前所述，Wigner-Ville分布的边缘分布分别对应信号的瞬时功率和功率谱密度。

3. 时频平移不变性：信号的时间或频率移动直接反映在Wigner-Ville分布上。

4. 能量保持性：
   $${\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{W}_x(t,f)dtdf={\int }_{-\infty }^{\infty }|x(t){|}^{2}dt={\int }_{-\infty }^{\infty }|X(f){|}^{2}df$$

5. Moyal关系：对于两个信号$x(t)$和$y(t)$，有：
   $${\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{W}_x(t,f)W_y(t,f)dtdf=|{\int }_{-\infty }^{\infty }x(t)y^{\ast }(t)dt{|}^2$$

此外，Wigner-Ville分布还满足一系列更复杂的数学性质。例如，对于线性调频信号，Wigner-Ville分布能够精确地反映其瞬时频率轨迹，这是其他许多时频分析方法难以做到的。对于信号的线性变换，Wigner-Ville分布也有良好的性质。考虑线性系统$y(t)={\int }_{-\infty }^{\infty }h(t-\tau )x(\tau )d\tau$，其中$h(t)$是系统的冲激响应，则输出信号$y(t)$的Wigner-Ville分布与输入信号$x(t)$的Wigner-Ville分布之间存在以下关系：

$$W_y(t,f)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{A}_h(t-t^{\prime },f-f^{\prime })W_x(t^{\prime },f^{\prime })d{t}^{\prime }d{f}^{\prime }$$

其中$A_h(t,f)$是$h(t)$的模糊函数(ambiguity function)，定义为：

$$A_h(t,f)={\int }_{-\infty }^{\infty }h(\tau +\frac{t}{2})h^{\ast }(\tau -\frac{t}{2})e^{-j2\pi f\tau }d\tau$$

这一性质表明，线性系统对信号的Wigner-Ville分布的影响可以通过系统冲激响应的模糊函数来描述，这为分析线性系统对信号时频特性的影响提供了理论基础。

Wigner-Ville分布的交叉项问题

尽管Wigner-Ville分布具有许多优良性质，但它也存在一个显著的缺点：交叉项(cross-terms)的存在。对于多分量信号，Wigner-Ville分布不仅包含各分量的自项(auto-terms)，还包含分量之间的交叉项。这些交叉项通常表现为时频平面上的振荡干扰，可能会掩盖真实的信号特性。
考虑一个由两个分量组成的信号$x(t)=x_1(t)+x_2(t)$，其Wigner-Ville分布为：

W x ( t , f ) = W x 1 ( t , f ) + W x 2 ( t , f ) + 2 Re { W x 1 , x 2 ( t , f ) } W_x(t,f) = W_{x_1}(t,f) + W_{x_2}(t,f) + 2\text{Re}\{W_{x_1,x_2}(t,f)\} Wx​(t,f)=Wx1​​(t,f)+Wx2​​(t,f)+2Re{Wx1​,x2​​(t,f)}

其中$W_{x_1,x_2}(t,f)$是交叉Wigner-Ville分布，定义为：

$$W_{x_1,x_2}(t,f)={\int }_{-\infty }^{\infty }{x}_1(t+\frac{\tau }{2})x_2^{\ast }(t-\frac{\tau }{2})e^{-j2\pi f\tau }d\tau$$

这些交叉项通常在自项之间的中点位置产生振荡，干扰信号的时频表示。为了减轻交叉项的影响，研究者提出了多种改进方法，如Cohen类分布、平滑伪Wigner-Ville分布等。

更一般地，对于由$N$个分量组成的信号$x(t)={\sum }_{i=1}^N{x}_i(t)$，其Wigner-Ville分布可以表示为：

W x ( t , f ) = ∑ i = 1 N W x i ( t , f ) + 2 ∑ i = 1 N ∑ j = i + 1 N Re { W x i , x j ( t , f ) } W_x(t,f) = \sum_{i=1}^{N} W_{x_i}(t,f) + 2\sum_{i=1}^{N}\sum_{j=i+1}^{N} \text{Re}\{W_{x_i,x_j}(t,f)\} Wx​(t,f)=i=1∑N​Wxi​​(t,f)+2i=1∑N​j=i+1∑N​Re{Wxi​,xj​​(t,f)}

可以看出，随着信号分量数量的增加，交叉项的数量呈二次增长，这使得Wigner-Ville分布在处理复杂多分量信号时面临挑战。为了深入理解交叉项的性质，我们可以考虑两个简单的正弦信号$x_1(t)=A_1{e}^{j2\pi f_{1}t}$和$x_2(t)=A_2{e}^{j2\pi f_{2}t}$。它们的Wigner-Ville分布分别为：

$$W_{x_1}(t,f)=|A_1{|}^2\delta (f-f_1)$$

$$W_{x_2}(t,f)=|A_2{|}^2\delta (f-f_2)$$

而它们的交叉Wigner-Ville分布为：

$$W_{x_1,x_2}(t,f)=A_1{A}_2^{\ast }{e}^{j2\pi (f_1-f_2)t}\delta (f-\frac{f_1+f_2}{2})$$

可以看出，交叉项在频率$(f_1+f_2)/2$处产生，并以频率$f_1-f_2$在时间上振荡。这种振荡特性是交叉项的典型表现，也是它们干扰信号真实时频特性的主要原因。

改进的Wigner-Ville分布

为了克服交叉项的影响，研究者提出了多种改进的Wigner-Ville分布。其中最常用的是平滑伪Wigner-Ville分布(Smoothed Pseudo Wigner-Ville Distribution, SPWVD)：

$$SPWV{D}_x(t,f)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }g(t-u)h(\tau )x(u+\frac{\tau }{2})x^{\ast }(u-\frac{\tau }{2})e^{-j2\pi f\tau }d\tau du$$

其中$g(t)$是时间平滑窗口，$h(\tau )$是频率平滑窗口。通过适当选择这两个窗口函数，可以在保持信号自项的同时有效抑制交叉项。

时间平滑窗口$g(t)$主要用于抑制交叉项在时间上的振荡，而频率平滑窗口$h(\tau )$则用于控制频率分辨率。这两个窗口的选择涉及到时频分辨率的权衡：较宽的时间窗口可以更有效地抑制交叉项，但会降低时间分辨率；较宽的频率窗口可以提高信噪比，但会降低频率分辨率。在实际应用中，常用的窗口函数包括汉宁窗(Hanning)、汉明窗(Hamming)、凯撒窗(Kaiser)等。不同的窗口函数具有不同的频谱特性，适用于不同的应用场景。例如，汉宁窗具有较低的旁瓣水平，适合抑制频谱泄漏；而矩形窗具有最佳的频率分辨率，但旁瓣较高，可能导致严重的频谱泄漏。

除了平滑伪Wigner-Ville分布外，还有许多其他改进的时频分布方法，如Choi-Williams分布、Born-Jordan分布、Zhao-Atlas-Marks分布等。这些方法各有特点，适用于不同类型的信号和应用场景。例如，Choi-Williams分布通过引入指数核函数来抑制交叉项，而保持良好的时频分辨率；Zhao-Atlas-Marks分布则特别适合分析具有线性调频特性的信号。

一个更一般的框架是Cohen类分布，它可以表示为：

$$C_x(t,f)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }\varphi (\theta ,\tau )x(u+\frac{\tau }{2})x^{\ast }(u-\frac{\tau }{2})e^{-j2\pi (f\tau +\theta (t-u))}d\theta d\tau du$$

其中$\varphi (\theta ,\tau )$是核函数，不同的核函数对应不同的时频分布。例如，当$\varphi (\theta ,\tau )=1$时，得到Wigner-Ville分布；当$\varphi (\theta ,\tau )=e^{-{\theta }^2{\tau }^2/\sigma }$时，得到Choi-Williams分布。通过设计适当的核函数，可以在抑制交叉项和保持良好时频分辨率之间取得平衡。

实例分析：线性调频信号

为了直观理解Wigner-Ville分布的特性，我们考虑一个线性调频信号（chirp信号）：

$$x(t)=A\exp (j2\pi (f_{0}t+\frac{1}{2}\alpha t^2))$$

其中$f_0$是初始频率，$\alpha$是频率变化率。对于这种信号，其瞬时频率为$f_i(t)=f_0+\alpha t$，呈线性变化。

应用Wigner-Ville分布，我们可以得到：

$$W_x(t,f)=A^2\delta (f-(f_0+\alpha t))$$

这是一个沿着瞬时频率轨迹的理想线，完美地反映了信号的时频特性。这展示了Wigner-Ville分布在分析非平稳信号时的优势。进一步，我们可以考虑更复杂的信号，如多分量线性调频信号：

$$x(t)=A_1\exp (j2\pi (f_{1}t+\frac{1}{2}{\alpha }_1{t}^2))+A_2\exp (j2\pi (f_{2}t+\frac{1}{2}{\alpha }_2{t}^2))$$

其Wigner-Ville分布为：

$$W_x(t,f)=A_1^2\delta (f-(f_1+{\alpha }_{1}t))+A_2^2\delta (f-(f_2+{\alpha }_{2}t))+2A_1{A}_2\cos (2\pi (\Delta ft+\frac{1}{2}\Delta \alpha t^2))\delta (f-\frac{f_1+f_2}{2}-\frac{{\alpha }_1+{\alpha }_2}{2}t)$$

其中$\Delta f=f_1-f_2$，$\Delta \alpha ={\alpha }_1-{\alpha }_2$。可以看出，除了两个自项外，还存在一个交叉项，它在两个自项之间的中点位置产生振荡干扰。