第三章 非周期信号

3.1 线性啁啾

啁啾：一种可变频率信号
Chirp：线性啁啾如何实现：

np.cumsum计算的是累计和，近似积分

3.2 指数啁啾

音程：两个音之间的感知差异

人类
我们感知两个音之间的音程，取决于他们之间的频率比例而不是差异
比如，220Hz和440Hz或440Hz和880Hz之间的音程都是一个八度，虽然后者频率差更大
我们对音高的认知符合频率的对数关系

指数啁啾：若想要感知音高线性增加，那么频率就要指数线性增加，这种形状的信号被称为指数啁啾
ExpoChirp：指数啁啾如何实现：

def evaluate(self, ts):
	start, end = np.log10(self.start), np.log10(self.end)
	freqs = np.logspace(start, end, len(ts)-1)
	return self._evaluate(ts, freqs)

3.3 啁啾信号的频谱

signal = thinkdsp.Chirp(start=220, end=440)
wave = signal.make_wave(duration=1)
spectrum = wave.make_spectrum()

频谱给出的是关于信号结构信息，但是不显示频率与时间的关系。

3.4 频谱图

短时傅里叶变换（STFT）：将啁啾信号分解成小的部分，然后绘制出各个部分的频谱

3.5 Gabor限制

时间-频率分析的基础限制
频率分辨率：频谱个元素之间的频段，对应的是各单元的高度

计算：
长度片段n，频谱包含n/2个频率元素
如果帧率为r，则频谱中的最高频率范围为0~r/2
时间分辨率n/r
频率分辨率(r/2)/(n/2)=r/n

时间分辨率高，能让我们观察到频率的快速变化
频率分辨率高，我们才能观察到频率的微小变化
这两者不能同时满足

上图，每一列剑锋都被模糊到了大约2到3个单元，模糊的原因在于频谱图的分辨率有限制

signal = thinkdsp.Chirp(start=220, end=440)
wave = signal.make_wave(duration=1, framerate=11025)
spectrogram = wave.make_spectrogram(seg_length=512)
spectrogram.plot(high=700)

实例计算：
seg_length是每个片段的采样数量，取$2^n$时FFT效率更高
每个片段512帧，每秒有11 025帧，那每个片段的长度约为0.046s
从512帧中，得到256个频率元素，这些频率元素所在的范围为0~5512.5Hz，那各个元素之间的频带为21.6Hz

3.6 泄露

原因：离散傅里叶变换假设信号是周期性的，它隐含性地将信号的开始和结尾连接起来，构成一个环。如果不能平滑连接，这一不连续性就会创造出这一片段外的频率元素。
频谱泄漏：如中图，处理440Hz还有额外的频率元素，这种三步就称频谱泄漏，实际上是基频的能量泄露到了其它频率上了

3.7 加窗

“窗”：设计好的函数，变换非周期片段为周期片段处理，加窗作用平滑片段的开始和结束
种类：hamming/bartlett/blackman/kaiser

#Class Wave:
	def window(self, window):
		self.ys *= window
	window = np.hamming(len(wave))
	wave.window(window)

3.8 频谱图的实现