STFT 短时傅里叶变换的python实现

概述

DFT（离散傅里叶变换）是一种将周期信号表示为正弦和余弦信号线性组合的方法。它可以帮助我们找到信号中的频率、幅值和相位信息。而STFT（短时傅里叶变换）则是一种时间频率分布表示方法，它将长时间信号分解为多个等长的小段，并在每个小段上计算傅里叶变换，得到频谱图。

简单来说，STFT将整个信号分解成许多短时段，每个短时段近似平稳。然后对每个短时段进行傅里叶变换，得到频谱图。这样可以观察到信号在不同时间段内的频率特征，并且可以更好地捕捉到信号的时变性质。

通过使用STFT，我们可以获得一个随时间变化的频谱图，从而更好地理解信号在不同时间点上的频率成分。这对于许多领域中的信号处理和分析任务非常有用，例如音频处理、语音识别、振动分析等。

函数

scipy.signal.stft(x, fs, window, nperseg, noverlap, nfft, detrend, return_oneside, boundary, padded, axis)

常用参数：
1.x ：传入STFT变换的时域信号
2.fs : 时域信号的采样频率，默认为1.0
3.window : 时域信号分割的时候需要的窗函数，常用的窗函数有boxcar，triang，hamming， hann等
4.nperseg : 窗函数的长度，默认值为256
5.noverlap : 窗函数重叠数，默认为窗长的一半
6.nfft : FFT的长度，默认为nperseg，如果设置为大于nperseg会自动进行0填充
7.return_oneside : True返回复数实部，None返回复数，默认为False

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import stft
# 生成三个不同频率成分的信号
fs = 1024  # 采样率
t = np.linspace(0, 1, fs, endpoint=False)  # 时间

# 第一个频率成分
signal1 = np.sin(2 * np.pi * 50 * t)
# 第二个频率成分
signal2 = np.sin(2 * np.pi * 120 * t)
# 第三个频率成分
signal3 = np.sin(2 * np.pi * 300 * t)

# 合并三个信号
signal = np.concatenate((signal1, signal2, signal3))

# 进行短时傅里叶变换  
f, t, spectrum = stft(signal, fs, nperseg=256, noverlap=128)
 

signal.shape

打印结果：(3072,)

spectrum.shape

打印结果：(129, 25)

绘制时频图：

# 绘制时频图
plt.pcolormesh(t, f, np.abs(spectrum), shading='gouraud')
plt.title('STFT Magnitude')
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.show()

 参考资料：

[1] 用python实现短时傅里叶变换（STFT）完整代码版_python stft-CSDN博客

[2] https://blog.csdn.net/silent1cat/article/details/120559700