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