【语音信号处理】短时傅立叶变换的频谱图详细教程

简介: 【语音信号处理】短时傅立叶变换的频谱图详细教程

文章目录

一.语法与参数介绍

二.频谱图的默认值

三.沿 x 轴的频率

四.频谱图和瞬时频率

一.语法与参数介绍

spectrogram函数做短时傅立叶变换的频谱图。

调用格式如下:

s = spectrogram(x,window,noverlap,nfft)

使用nfft采样点来计算离散傅立叶变换。

输入参数解释:

x:

x—输入信号
示例:cos(pi/4*(0:159))+randn(1,160)指定嵌入高斯白噪声的正弦曲线。

window:

window—窗口
窗口,指定为整数或行或列向量。使用window的信号划分成段:
1.如果window是整数,则将其spectrogram分成一定x长度的段,window并使2.用该长度的汉明窗对每个段进行窗口化。
如果window是向量,则将其spectrogram划分x为与向量长度相同的段,并使用 对每个段进行窗口化window。
如果x不能将的长度精确地划分为具有noverlap重叠样本的整数个段,则相应地x截断。
如果您指定window为空,则spectrogram使用汉明窗口,将x其划分为具有noverlap重叠样本的八个段。
示例:hann(N+1)并且(1-cos(2*pi*(0:N)'/N))/2都指定了一个长度为N + 1的 Hann 窗口。

noverlap:

noverlap—重叠样本
重叠样本数,指定为正整数。
如果window是标量,则 noverlap必须小于 window。
如果window是向量,则 noverlap必须小于 的长度window。
如果指定noverlap为空,则 spectrogram使用在段之间产生 50% 重叠的数字。如果未指定段长度,则函数设置 noverlap为⌊ N x /4.5⌋,其中N x是输入信号的长度,⌊⌋符号表示楼层函数。

nftt:

nfft— DFT 点数
DFT 点数,指定为正整数标量。如果指定 nfft为空的,则 spectrogram设置参数到最大值(256,2 p),其中p  =⌈log 2  Ñ瓦特⌉,所述⌈⌉符号表示上取整函数,并
N w = windowifwindow 是标量。
N w = if是一个向量。length(window)window

fs

fs—采样率
采样率,指定为正标量。采样率是单位时间内的采样数。如果时间单位是秒,则采样率以赫兹为单位。

二.频谱图的默认值

生成 N X = 1024 个由正弦曲线和组成的信号样本。正弦波的归一化频率为 2π/5 rad/sample 和 4π/5 rad/sample。较高频率的正弦波幅度是另一个正弦波的幅度的 10 倍。

N = 1024;
n = 0:N-1;
w0 = 2*pi/5;
x = sin(w0*n)+10*sin(2*w0*n);

使用函数默认值计算短时傅立叶变换。绘制频谱图。

s = spectrogram(x);
spectrogram(x,'yaxis')

返回:

1.png

重复计算:

  • 将信号分成不同长度的部分 nsc=[Nx/4.5]。
  • 使用汉明窗口对部分进行窗口化。
  • 指定连续部分之间的 50% 重叠。
  • 要计算 FFT,请使用 max(256,2^p ) 点,其中 p=[log2nsc]。
    验证两种方法是否给出相同的结果:
Nx = length(x);
nsc = floor(Nx/4.5);
nov = floor(nsc/2);
nff = max(256,2^nextpow2(nsc));
t = spectrogram(x,hamming(nsc),nov,nff);
maxerr = max(abs(abs(t(:))-abs(s(:))))

返回:

1.png

将信号分成 8 个等长的部分,部分之间有 50% 的重叠。指定与上一步相同的 FFT 长度。计算短时傅立叶变换并验证它给出与前两个过程相同的结果。

ns = 8;
ov = 0.5;
lsc = floor(Nx/(ns-(ns-1)*ov));
t = spectrogram(x,lsc,floor(ov*lsc),nff);
maxerr = max(abs(abs(t(:))-abs(s(:))))

返回:

1.png

三.沿 x 轴的频率

t = 0:0.001:2;
x = chirp(t,100,1,200,'quadratic');

计算并显示 x 的频谱图

  • 将信号分成长度为 128 的部分,用汉明窗加窗。
  • 指定相邻部分之间重叠的 120 个样本。
  • 评估在[128/2+1]=65 频率和 [(length(x)−120)/(128−120)]=235 频率的频谱。
spectrogram(x,128,120,128,1e3)

返回:


1.png

用布莱克曼窗替换汉明窗。将重叠减少到 60 个样本。绘制时间轴,使其值从上到下增加。

spectrogram(x,blackman(128),60,128,1e3)
ax = gca;
ax.YDir = 'reverse';

返回:

1.png

四.频谱图和瞬时频率

使用频谱图功能测量和跟踪信号的瞬时频率。生成以 1 kHz 采样的二次线性调频脉冲,持续两秒。指定线性调频,使其频率最初为 100 Hz,一秒后增加到 200 Hz

fs = 1000;
t = 0:1/fs:2-1/fs;
y = chirp(t,100,1,200,'quadratic');

使用频谱图函数中实现的短时傅立叶变换来估计跳频的频谱。将信号分成长度为 100 的部分,使用汉明窗口进行窗口化。指定相邻部分之间重叠的 80 个样本,并评估 [100/2+1]=51 频率处的频谱。

spectrogram(y,100,80,100,fs,'yaxis')

返回:

1.png

通过找到[(2000−80)/(100−80)]=96 个时间点具有最高能量的时频率来跟踪调频频率。在频谱图上叠加瞬时频率。

[~,f,t,p] = spectrogram(y,100,80,100,fs);
[fridge,~,lr] = tfridge(p,f);
hold on
plot3(t,fridge,abs(p(lr)),'LineWidth',4)
hold off

返回:

1.png

暂时讲到这,后续需要的时候我再补充。

相关文章
|
7月前
|
算法
【MATLAB】语音信号识别与处理:卷积滑动平均滤波算法去噪及谱相减算法呈现频谱
【MATLAB】语音信号识别与处理:卷积滑动平均滤波算法去噪及谱相减算法呈现频谱
125 0
|
7月前
|
算法
【MATLAB】语音信号识别与处理:一维信号NLM非局部均值滤波算法去噪及谱相减算法呈现频谱
【MATLAB】语音信号识别与处理:一维信号NLM非局部均值滤波算法去噪及谱相减算法呈现频谱
152 1
|
7月前
|
算法
【MATLAB】语音信号识别与处理:高斯加权移动平均滤波算法去噪及谱相减算法呈现频谱
【MATLAB】语音信号识别与处理:高斯加权移动平均滤波算法去噪及谱相减算法呈现频谱
271 0
|
7月前
|
编解码 算法 计算机视觉
【MATLAB】全网唯一的13种信号分解+FFT傅里叶频谱变换联合算法全家桶
【MATLAB】全网唯一的13种信号分解+FFT傅里叶频谱变换联合算法全家桶
141 0
|
机器学习/深度学习 传感器 算法
数字图像处理实验(五)|图像复原{逆滤波和伪逆滤波、维纳滤波deconvwnr、大气湍流扰动模型、运动模糊处理fspecial}(附matlab实验代码和截图)
数字图像处理实验(五)|图像复原{逆滤波和伪逆滤波、维纳滤波deconvwnr、大气湍流扰动模型、运动模糊处理fspecial}(附matlab实验代码和截图)
1086 0
数字图像处理实验(五)|图像复原{逆滤波和伪逆滤波、维纳滤波deconvwnr、大气湍流扰动模型、运动模糊处理fspecial}(附matlab实验代码和截图)
|
7月前
|
数据安全/隐私保护
matlab批量计算地震加速度反应谱、速度谱、位移谱,伪速度谱、伪加速度谱;反应谱对比图
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
|
7月前
|
数据采集 编解码 监控
清华大学《信号与系统》电力系统同步相量计算【FFT/谐波/小波变换】
清华大学《信号与系统》电力系统同步相量计算【FFT/谐波/小波变换】
|
7月前
|
数据安全/隐私保护 Perl
批量计算地震波PGA/PGV/PGD、PSA/PSV/PSD、特征周期、卓越频率、Arias强度、特征强度、能量密度、Housner强度等30+参数
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
放大电路与频率特征(期末模电速成)
放大电路与频率特征(期末模电速成)
79 1
|
数据可视化 搜索推荐 PyTorch
使用卷积操作实现因子分解机
本文将介绍如何使用卷积操作实现因子分解机器。卷积网络因其局部性和权值共享的归纳偏差而在计算机视觉领域获得了广泛的成功和应用。卷积网络可以用来捕获形状的堆叠分类特征(B, num_cat, embedding_size)和形状的堆叠特征(B, num_features, embedding_size)之间的特征交互。
100 1