Я намагаюся концептуально зрозуміти, що відбувається, коли прямі та зворотні короткочасні перетворення Фур'є (STFT) застосовуються до дискретного сигналу часової області. Я знайшов класичний документ Аллена та Рабінера ( 1977 ), а також статтю у Вікіпедії ( посилання ). Я вважаю , що є ще одна хороша стаття можна знайти тут .
Мені цікаво обчислити перетворення Габора, яке є не що інше, як STFT з гауссовим вікном.
Це те, що я розумію про прямий STFT:
- Підсигнал вибирається з сигналу, що складається з елементів часової області.
- Підпослідовність множиться на віконну функцію, використовуючи кратне множення у часовій області.
- Розмножена підпослідовність приймається у частотній області за допомогою FFT.
- Вибравши послідовні перекриваючі підрядки та повторивши процедуру вище, ми отримуємо матрицю з m рядками та n стовпцями. Кожен стовпець - це підпорядкованість, обчислена в даний момент часу. Це можна використовувати для обчислення спектрограми.
Однак, для зворотного STFT, документи говорять про підсумовування над розділами аналізу, що перекриваються. Мені дуже складно уявити, що насправді відбувається тут. Що я повинен зробити, щоб можна було обчислити зворотний STFT (покроковий порядок, як зазначено вище)?
Вперед STFT
Я створив креслення, на якому показано, що я думаю, що відбувається для передового STFT. Я не розумію, як зібрати кожну з підрядів, щоб я повернув початкову послідовність часу. Чи може хтось або змінити цей малюнок, або дати рівняння, яке показує, як додаються підрядки?
Зворотне перетворення
Ось що я розумію щодо зворотного перетворення. Кожне наступне вікно повертається у часову область за допомогою IFFT. Потім кожне вікно зміщується на розмір кроку та додається до результату попередньої зміни. На наступній схемі показаний цей процес. Підсумований вихід - це сигнал часової області.
Приклад коду
Наведений нижче код Matlab генерує синтетичний сигнал часової області, а потім тестує процес STFT, демонструючи, що обернене є подвійним переходом прямого перетворення в межах числової помилки округлення. Початок і кінець сигналу накладені на нуль, щоб центр вікна міг бути розташований на першому та останньому елементах сигналу часової області.
Зверніть увагу, що згідно з Алленом та Рабінером (1977), якщо у частотній області відбувається множення, щоб змінити частотну характеристику, довжина вікна аналізу повинна бути рівною або більшою, ніж бал, де - відповідь фільтра . Довжина подовжується нульовим накладкою. Тестовий код просто показує, що обернене є дуалом прямого перетворення. Довжина повинна бути збільшена, щоб запобігти круговій згортці.N 0
% The code computes the STFT (Gabor transform) with step size = 1
% This is most useful when modifications of the signal is required in
% the frequency domain
% The Gabor transform is a STFT with a Gaussian window (w_t in the code)
% written by Nicholas Kinar
% Reference:
% [1] J. B. Allen and L. R. Rabiner,
% “A unified approach to short-time Fourier analysis and synthesis,”
% Proceedings of the IEEE, vol. 65, no. 11, pp. 1558 – 1564, Nov. 1977.
% generate the signal
mm = 8192; % signal points
t = linspace(0,1,mm); % time axis
dt = t(2) - t(1); % timestep t
wSize = 101; % window size
% generate time-domain test function
% See pg. 156
% J. S. Walker, A Primer on Wavelets and Their Scientific Applications,
% 2nd ed., Updated and fully rev. Boca Raton: Chapman & Hall/CRC, 2008.
% http://www.uwec.edu/walkerjs/primer/Ch5extract.pdf
term1 = exp(-400 .* (t - 0.2).^2);
term2 = sin(1024 .* pi .* t);
term3 = exp(-400.*(t- 0.5).^2);
term4 = cos(2048 .* pi .* t);
term5 = exp(-400 .* (t-0.7).^2);
term6 = sin(512.*pi.*t) - cos(3072.*pi.*t);
u = term1.*term2 + term3.*term4 + term5.*term6; % time domain signal
u = u';
figure;
plot(u)
Nmid = (wSize - 1) / 2 + 1; % midway point in the window
hN = Nmid - 1; % number on each side of center point
% stores the output of the Gabor transform in the frequency domain
% each column is the FFT output
Umat = zeros(wSize, mm);
% generate the Gaussian window
% [1] Y. Wang, Seismic inverse Q filtering. Blackwell Pub., 2008.
% pg. 123.
T = dt * hN; % half-width
sp = linspace(dt, T, hN);
targ = [-sp(end:-1:1) 0 sp]; % this is t - tau
term1 = -((2 .* targ) ./ T).^2;
term2 = exp(term1);
term3 = 2 / (T * sqrt(pi));
w_t = term3 .* term2;
wt_sum = sum ( w_t ); % sum of the wavelet
% sliding window code
% NOTE that the beginning and end of the sequence
% are padded with zeros
for Ntau = 1:mm
% case #1: pad the beginning with zeros
if( Ntau <= Nmid )
diff = Nmid - Ntau;
u_sub = [zeros(diff,1); u(1:hN+Ntau)];
end
% case #2: simply extract the window in the middle
if (Ntau < mm-hN+1 && Ntau > Nmid)
u_sub = u(Ntau-hN:Ntau+hN);
end
% case #3: less than the end
if(Ntau >= mm-hN+1)
diff = mm - Ntau;
adiff = hN - diff;
u_sub = [ u(Ntau-hN:Ntau+diff); zeros(adiff,1)];
end
% windowed trace segment
% multiplication in time domain with
% Gaussian window function
u_tau_omega = u_sub .* w_t';
% segment in Fourier domain
% NOTE that this must be padded to prevent
% circular convolution if some sort of multiplication
% occurs in the frequency domain
U = fft( u_tau_omega );
% make an assignment to each trace
% in the output matrix
Umat(:,Ntau) = U;
end
% By here, Umat contains the STFT (Gabor transform)
% Notice how the Fourier transform is symmetrical
% (we only need the first N/2+1
% points, but I've plotted the full transform here
figure;
imagesc( (abs(Umat)).^2 )
% now let's try to get back the original signal from the transformed
% signal
% use IFFT on matrix along the cols
us = zeros(wSize,mm);
for i = 1:mm
us(:,i) = ifft(Umat(:,i));
end
figure;
imagesc( us );
% create a vector that is the same size as the original signal,
% but allows for the zero padding at the beginning and the end of the time
% domain sequence
Nuu = hN + mm + hN;
uu = zeros(1, Nuu);
% add each one of the windows to each other, progressively shifting the
% sequence forward
cc = 1;
for i = 1:mm
uu(cc:cc+wSize-1) = us(:,i) + uu(cc:cc+wSize-1)';
cc = cc + 1;
end
% trim the beginning and end of uu
% NOTE that this could probably be done in a more efficient manner
% but it is easiest to do here
% Divide by the sum of the window
% see Equation 4.4 of paper by Allen and Rabiner (1977)
% We don't need to divide by L, the FFT transform size since
% Matlab has already taken care of it
uu2 = uu(hN+1:end-hN) ./ (wt_sum);
figure;
plot(uu2)
% Compare the differences bewteen the original and the reconstructed
% signals. There will be some small difference due to round-off error
% since floating point numbers are not exact
dd = u - uu2';
figure;
plot(dd);