srtp中期答辩时变频谱浅析.ppt

srtp中期答辩,时变频谱分析,成员：何志东，任现梁，代小岗，尹帮晨，孔繁玲指导老师：汪晓宁,目录,理论知识储备*短时傅里叶变换*小波变换*使用到的matlab工具箱目前进展*由平稳信号过渡非平稳随机信号*基于matlab实现对语音信号进行频谱分析后半期任务目标,理论知识储备,从傅里叶变换到短时傅里叶变换的时频分析法,短时傅立叶变换-定义,定义：短时傅立叶变换也叫短时谱（加窗的方式）,短时谱的特点：1)时变性：既是角频率的函数又是时间n的函数2)周期性：是关于的周期函数，周期为2,与离散傅里叶变换和连续傅里叶变换的关系一样，若令2k/n，则得离散的短时傅里叶变换,它实际上是在频域的取样。,短时傅立叶变换-定义,短时傅里叶变换是窗选语音信号的标准傅里叶变换。不同的窗口函数序列，将得到不同的傅里叶变换的结果。,stft示意图,短时傅立叶变换-特点,对信号作时频分析时，一般，对快变的信号，希望它有好的时间分辨率以观察其快变部分（如尖脉冲等），即观察的时间宽度要小，受时宽带宽积的影响，这样，对该信号频域的分辨率必定要下降。由于快变信号对应的是高频信号，因此对这一类信号，希望有好的时间分辨率，但同时就要降低高频的分辨率。反之，对慢变信号，由于它对应的是低频信号，所以希望在低频处有好的频率分辨率，但不可避免的要降低时域的分辨率。希望所采取的时频分析算法能自动适应这一要求。显然，由于stft的不随变化而变化，因而不具备这一自动调节能力。,短时傅立叶变换-基本窗函数介绍,矩形窗函数时域：,频域：,海明窗函数,时域：,频域：,海明窗及其频谱特性,短时傅立叶变换-基本窗函数介绍,布莱克曼窗函数,时域：,频域：,布莱克曼窗及其频谱特性,小波变换,傅立叶分析是将信号分解成一系列不同频率的正弦波的叠加，同样小波分析是将信号分解为一系列小波函数的叠加，而这些小波函数都是由一个母小波函数经过平移和尺度伸缩得来的。函数(t)l2(r)称为基本小波，如果它满足以下的“允许”条件：,(t)又称为母小波，因为其伸缩、平移可构成l2(r)的一个标准正交基,小波变换-一些著名的小波,daubechies小波,coiflets小波,小波变换-基本性质,适当地选择小波，使(t)在时域上为有限支撑,()在频域上也比较集中，就可以使wt在时、频域都具有表征信号局部特征的能力。小波变换的思想来源于伸缩和平移方法。,尺度伸缩,时间平移,使用到的matlab工具箱,时频分析工具箱时频分析工具箱中提供了计算各种线性时频表示和双线性时频分布的函数，如信号产生函数，噪声产生函数，模糊函数等。小波工具箱小波工具箱包含了图像化的工具和命令行函数，它可以实现如下功能：测试、探索小波和小波包的特性l；测试信号的统计特性和信号的组分；对一维信号执行连续小波变换对一维、二维信号执行离散小波分析和综合；对一维、二维信号执行小波包分解；对信号或图像进行压缩、去噪,目前进展-由平稳信号过渡非平稳随机信号,step0：熟悉使用matlabstep1：学习利用fft处理平稳信号进行频谱分析step2：学习利用短时傅里叶变换tfrstft处理类平稳信号（语音信号）进行频谱分析以上用matlab实现,目前进展-对语音信号进行频谱分析,语音信号是一种非平稳信号，简单的fourier变换不能够得到语音信号的完整信息，所以我们选择其作为一个开端，进行初步上手练习。利用matlab的内部函数对语音信号处理后做短时fourier变换。主要的程序以及截图如下所示:s=wavread(c:usersadministratordesktoptest1.wav);subplot(3,1,1);plot(s),title(波形图)n=size(s);d=100;l=512;k=l-d;t=fix(n/k);,目前进展-对语音信号进行频谱分析,frame_length=512;r=(rectwin(frame_length);fora=1:tn1=(l-d)*(a-1)+1;n2=(l-d)*(a-1)+frame_length;y=s(n1:n2);sf=fft(y,.*r,512);x1(n1:n2)=sf(1:frame_length);endfftsize=4000;y=zeros(fftsize,1);y=20*log10(abs(x1);subplot(3,1,2);,目前进展-对语音信号进行频谱分析,plot(y(1:4000),title(频谱图);t1=length(x1);t1=fix(t1/l);fori=1:t1z=ifft(x1(i-1)*l+1:i*l),512);z=real(z./r);y(i-1)*k+1:i*k)=z(1:k);endsubplot(3,1,3);plot(y),title(倒谱图）,截图,目前进展-对语音信号进行频谱分析,后半期任务目标,进一步详细学习短时傅