1. 时域图

1.1 声音信号是一维的时域信号，无法观察出频率随时间的变化规律。


动态信号x(t): 是描述信号在不同时刻取值的函数, 其中t是自变量；

即横轴代表时间， 纵轴是信号的变化（振幅）。

2. 信号的频域分析

信号通过傅里叶变换把它变到频域上，可以看出信号的频率成分；

横轴代表各个频率成分， 纵轴： 信号的幅度值。
是一个时间平均（time average）概念。

2.1 频谱图

简单地说，任何信号（当然要满足一定的数学条件），都可以通过傅立叶变换而分解成一个直流分量（也就是一个常数）和若干个（一般是无穷多个）正弦信号的和。

每个正弦分量都有自己的频率和幅值；
这样，以频率值作横轴，以幅值作纵轴，
把上述若干个正弦信号的幅值画在其所对应的频率上，就做出了信号的幅频分布图，也就是所谓频谱图 。

2.3 频谱图类型

在实际使用中，频谱图有三种，即

  1. 线性振幅谱、
  2. 对数振幅谱、
  3. 自功率谱.

其中， 对数振幅谱中各谱线的振幅都作了对数计算，所以其纵坐标的单位是dB（分贝）, 这个变换的目的是使那些振幅较低的成分相对高振幅成分得以拉高，以便观察掩盖在低幅噪声中的周期信号。

2.4 相频分布：

横坐标： 频率 ；
纵坐标： 相位；

3. 功率谱

3.1 功率谱定义

功率谱可以从两方面来定义，

  1. 一个是自相关函数的傅立叶变换，第一种定义就是常说的维纳辛钦定理。

  2. 另一个是时域信号傅氏变换模平方然后除以时间长度。

第二种其实从能量谱密度来的。
根据parseval定理，信号傅氏变换模平方被定义为能量谱，能量谱密度在时间上平均就得到了功率谱。

3.2 功率谱性质

  1. 功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。

  2. 功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列）

  3. 功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。

  4. 在频域分析信号分两种：
    （1）.对确定性信号进行傅里叶变换，分析频谱信息。
    （2）.随机信号的傅里叶信号不存在，转向研究它的功率谱。随机信号的功率谱和自相关函数是傅里叶变换对（即维纳辛钦定理）。功率谱估计有很多种方法；

4. 时域与频域的关系 （FFT）

4.1 相位与振幅

如下面静态图所示:

正弦波就是一个圆周运动在一条直线上的投影。
任意时刻的相位 为 ϕ \phi ϕ ;
任意时间的 幅度值： 振幅A × sin ϕ \phi ϕ

sin = 对边/ 斜边；
对边 = sin × 斜边

4.2 频域的基本单元

如下图所示:
频域的基本单元也可以理解为一个始终在旋转的圆。

4.3 FFT过程

举例， 矩形波的 FFT过程：

任意波形FFT：

4.4 相位差：

相位差 = (时间差 / 周期 ) × 2 π \pi π
图中， 小红点是距离频率轴最近的波峰， 我们将红色的点投影到下平面，投影点我们用粉色点来表示。当然，这些粉色的点只标注了波峰距离频率轴的距离，并不是相位。时间差并不是相位差。如果将全部周期看作2Π或者360度的话，相位差则是时间差在一个周期中所占的比例。我们将时间差除周期再乘 2Π，就得到了相位差。

4.5 矩形波在时域、频域和相位的表现形式：

5. 时频域分析

5.1 时频域分析：

频谱虽然可以看出信号的频率分布， 但是丢失了时域信息，无法看出频率分布随时间的变化。

为了解决这个问题，很多时频域分析手段应运而生。

短时傅里叶，小波，Wigner分布等都是常用的时频域分析方法。

5.2 STFT的原理:

  1. 把一段长信号分帧、加窗，
  2. 对每一帧做傅里叶变换（FFT）.

短时傅里叶变换，是对短时的信号做傅里叶变换。
短时的信号怎么得到? —> 是长时的信号分帧得来的。

5.3 实现：

python可以使用scipy库中的signal模块。

如果做STFT分解的音频信号（wav文件）的路径存在path变量中，可通过下面的代码得到STFT数据。

import wavioimport numpy as npfrom scipy import signalwav_struct=wavio.read(path)wav=wav_struct.data.astype(float)/np.power(2,wav_struct.sampwidth*8-1)[f,t,X]=signal.spectral.spectrogram(wav,np.hamming(1024),nperseg=1024,noverlap=0,detrend=False,return_onesided=True,mode='magnitude')

关于signal模块中spectrogram的使用方法和各个参数的具体意义，参见

https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.spectrogram.html#scipy.signal.spectrogram