加窗傅立叶变换,小波变换的原理与程序.doc

（一）加窗傅立叶变换 加窗傅立叶变换 傅立叶变换的不足： 傅立叶变换有一个缺点：它不具有时间局部性。这点可从傅立叶正/反变换的公式中看出， ， （2-1） 式（2-1）中的积分区间为，即整个时间轴或频率轴。因此要想获取信号的频域信息必须知道信号在时域的全部分布；同理，要想恢复信号的时域波形，也必须知道信号频域的全部信息。信号进行傅立叶变换后得到频谱能够表明信号所含的频率成分，但无法表明该频率发生的时刻，这使得傅立叶变换在分析非平稳信号时具有局限性。 可通过下例具体说明：图1-1为一在不同时间内频率不同的正弦信号的时域波形和信号的频谱图，该信号在内为2,内为4, 内为8,内为16。图1-2为另一信号的时域波形和信号的频谱图，该信号在内为4个正弦信号的叠加，正弦信号的频率分别为2，4，8，16。 图1-1不同时间段内所含频率成分不同 图1-2任意时间段含有4种频率成分 从图1-1和图1-2可以看出，两信号在时域相差很大，但在频域上差别并不是非常明显，均在2，4，8，16处能量较强，而在其他频率处能量较低。仅从两者的频谱图，我们无法判断出信号的时域波形。 对于上例所示的简单信号，傅立叶变换都具有一定的局限性，更别说对于一些更为一般的信号了，如我们想分析一些音乐片段所包含的频率时，对信号做了傅立叶变换，得到了频谱，但从频谱上我们并不能判断出高频出现在什么时刻，低频出现在什么时刻，得到的频谱并不明显，在这种情况下，傅立叶变换的实际意义不大。 加窗傅立叶变换的定义 加窗傅立叶变换（WFT：Windowed Fourier Transform）也称短时傅立叶（STFT: Short Time Fourier Transform）或窗口傅立叶变换，是用一个在时间上有一定宽度的窗函数在时间轴上平移，并和待分析的信号相乘，然后再用傅立叶变换对相乘信号进行分析，得到该时刻附近对应信号的频谱。 WFT的实现过程如下： （1-2） 实现过程也可用图1-3所示：信号与窗相乘（仅在内有非零值），得到一个仅在区间内有值的函数，对做FT，得到一个反映信号在区间内频谱的函数。沿时间轴做上述变换便可得到信号的WFT。 图1-3 加窗傅立叶变换示意图 若选为矩形窗分别对图1-1和图1-2中两信号进行WFT，所得结果如图1-4和图1-5所示： (a)窗函数 (b)加窗傅立叶变换 (c)加窗傅立叶变换 结果的幅度图 结果的俯视图 图1-4加窗傅立叶变换（图2-1中信号） (a)窗函数 (b)加窗傅立叶变换 (c)加窗傅立叶变换 结果的幅度图 结果的俯视图 图1-5加窗傅立叶变换（图1-2中信号） 图1-4和图1-5中(a)图为窗函数的波形，(b)图为WFT结果的幅度图（两坐标分别为时间和频率），(c)图为WFT结果的俯视图。 从图1-4可以看出:4个不同时间段内，信号的能量在频域的分布不同：时间内信号能量集中在2附近，时间内信号能量集中在4附近，时间内信号能量集中在8附近，时间内信号能量集中在16附近。 从图1-5可以看出:在的任意时间段内，信号都主要有4个频率成分，分别为2，4，8，16。 图1-4和图1-5的结果可以从直观上区分这两种信号，从而体现了WFT的优势。 加窗傅立叶变换的重构 （1-3） 式（1-3）即为WFT的重构公式[4]。 图1-6为一鸟声信号的WFT及其重构的波形和重构的误差，该信号在内，频率从0线性增加至8。 图1-6 鸟声信号的WFT结果和重构 图1-6的上方左图为鸟声信号的波形，上方右图为归一化的窗函数，中间左图为WFT结果的幅度图，中间右图为WFT的时频图，下方左图为重构出来的鸟声信号，下方右图为信号的重构误差。 可以看出，在内信号的频率是线性上升的，重构的鸟声信号波形与原信号在肉眼可观察范围内完全一样，重构误差的模取对数后可以看出重构误差为~数量级，达到计算机的计算误差精度，说明WFT可以进行无差重构，即重构公式（1-3）是正确的。 时频局域化和窗的选取 窗宽度的选取 仍以图1-6中的鸟声信号为例通过改变窗的宽度，观察信号进行WFT后时频图的变化。 图1-7是同一个窗函数（矩形窗）在不同宽度时信号WFT的时频图。图1-7的（a），（b），（c），（d），（e），