信号处理仿真：频谱分析与信号检测_（7）.短时傅里叶变换(STFT).docxVIP

PAGE1

PAGE1

短时傅里叶变换(STFT)

短时傅里叶变换（Short-TimeFourierTransform,STFT）是一种常用的时频分析工具，用于分析非平稳信号。非平稳信号是指其频率成分随时间变化的信号，例如语音信号、雷达信号等。STFT通过将信号分成多个短时片段，并对每个片段进行傅里叶变换，从而能够在时域和频域上同时获取信号的信息。

1.STFT的基本原理

STFT的基本原理是将一个长信号分割成多个短时片段，对每个片段进行傅里叶变换，从而得到每个片段的频谱。具体步骤如下：

选择窗函数：窗函数（WindowFunction）用于对信号进行分割。常见的窗函数有矩形窗、汉宁窗（HanningWindow）、海明窗（HammingWindow）等。窗函数的选择会影响频谱的分辨率和泄漏。

信号分段：将信号按照窗函数的长度进行分段，每段信号称为一个“帧”（Frame）。帧之间可以有重叠，重叠的程度会影响时频分辨率。

傅里叶变换：对每个帧进行傅里叶变换，得到该帧的频谱。

结果表示：将每个帧的频谱按照时间顺序排列，形成一个二维谱图，通常称为“时频图”（Time-FrequencyRepresentation,TFR）。

2.窗函数的选择

窗函数的选择对STFT的结果有很大影响。不同的窗函数有不同的特点：

矩形窗：简单，但频谱泄漏较大，分辨率较低。

汉宁窗：泄漏较小，分辨率较高。

海明窗：泄漏介于矩形窗和汉宁窗之间，分辨率较高。

选择窗函数时，需要权衡频谱泄漏和分辨率。一般来说，汉宁窗和海明窗在实际应用中更为常用。

3.信号分段

信号分段时，需要考虑以下几个参数：

窗长（WindowLength）：窗函数的长度，决定了每个帧的持续时间。

步长（StepSize）：相邻帧之间的间隔，决定了时频图的时间分辨率。

重叠率（OverlapRatio）：相邻帧的重叠程度，通常以百分比表示。重叠率越高，时频图的时间分辨率越高，但计算量也会增加。

4.傅里叶变换

对每个帧进行傅里叶变换，可以使用快速傅里叶变换（FastFourierTransform,FFT）来提高计算效率。FFT是一种高效的算法，可以在O(NlogN)的时间复杂度内完成N点的傅里叶变换。

5.时频图的生成

将每个帧的频谱按照时间顺序排列，形成一个二维谱图。时频图的横轴表示时间，纵轴表示频率，颜色表示幅度或能量。

6.Python实现STFT

在Python中，可以使用scipy库中的stft函数来实现STFT。以下是一个详细的示例，包括信号生成、窗函数选择、信号分段、傅里叶变换和时频图的生成。

6.1信号生成

首先，生成一个非平稳信号，例如一个包含多个频率成分的信号。

importnumpyasnp

importmatplotlib.pyplotasplt

#生成信号

fs=1000#采样频率

t=np.linspace(0,1,fs,endpoint=False)#时间向量

#生成一个包含多个频率成分的信号

frequencies=[50,100,200,300]

signal=np.zeros_like(t)

forfinfrequencies:

signal+=np.sin(2*np.pi*f*t)

#添加一个随时间变化的频率成分

t2=np.linspace(0,1,fs//2,endpoint=False)

signal[fs//2:]+=np.sin(2*np.pi*400*t2)

#绘制信号

plt.figure(figsize=(10,4))

plt.plot(t,signal)

plt.title(非平稳信号)

plt.xlabel(时间(s))

plt.ylabel(幅度)

plt.grid(True)

plt.show()

6.2窗函数选择

选择汉宁窗作为窗函数。

#选择汉宁窗

window=hann

nperseg=256#窗长

noverlap=nperseg//2#重叠率

6.3信号分段和傅里叶变换

使用scipy.signal.stft函数进行信号分段和傅里叶变换。

fromscipy.signalimportstft

#计算STFT

f,t,Zxx=stft(signal,fs=fs,window=window,nperseg=nperseg,noverlap=noverlap)

#绘制时频图

plt.figure(figsize=(10,6))

plt.pcolormesh(t,f,