istft#
- scipy.signal.istft(Zxx, fs=1.0, window='hann', nperseg=None, noverlap=None, nfft=None, input_onesided=True, boundary=True, time_axis=-1, freq_axis=-2, scaling='spectrum')[源代码]#
执行逆短时傅里叶变换(旧版函数)。
旧版
此函数被视为旧版,将不再接收更新。虽然我们目前没有计划将其移除,但我们建议新代码使用更现代的替代方案。
ShortTimeFFT
是一个更新的 STFT / ISTFT 实现,具有更多功能。有关这些实现之间的比较,请参阅 短时傅里叶变换 部分的 SciPy 用户指南。- 参数:
- Zxxarray_like
要重建信号的 STFT。如果传入纯实数数组,它将被转换为复数数据类型。
- fsfloat, 可选
时间序列的采样频率。默认为 1.0。
- windowstr 或 tuple 或 array_like, 可选
要使用的窗。如果 window 是字符串或元组,它将传递给
get_window
以生成窗值,默认情况下这些窗值是 DFT 偶对称的。有关窗列表和所需参数,请参阅get_window
。如果 window 是 array_like 类型,它将直接用作窗,并且其长度必须为 nperseg。默认为汉宁窗。必须与用于生成 STFT 的窗匹配,以实现精确反演。- npersegint, 可选
每个 STFT 段对应的数据点数。如果每个段的数据点数为奇数,或者 STFT 通过
nfft > nperseg
进行填充,则必须指定此参数。如果为 None,则该值取决于 Zxx 和 input_onesided 的形状。如果 input_onesided 为 True,则nperseg=2*(Zxx.shape[freq_axis] - 1)
。否则,nperseg=Zxx.shape[freq_axis]
。默认为 None。- noverlapint, 可选
段之间重叠的点数。如果为 None,则为段长的一半。默认为 None。指定时,必须满足 COLA 约束(参见下面的注释),并且应与用于生成 STFT 的参数匹配。默认为 None。
- nfftint, 可选
每个 STFT 段对应的 FFT 点数。如果 STFT 通过
nfft > nperseg
进行填充,则必须指定此参数。如果为 None,则默认值与上面详述的 nperseg 相同,但有一个例外:如果 input_onesided 为 True 且nperseg==2*Zxx.shape[freq_axis] - 1
,则 nfft 也取该值。这种情况允许使用nfft=None
正确反转奇数长度未填充的 STFT。默认为 None。- input_onesidedbool, 可选
如果为 True,则将输入数组解释为单边 FFT,例如
stft
在return_onesided=True
时以及numpy.fft.rfft
返回的结果。如果为 False,则将输入解释为双边 FFT。默认为 True。- boundarybool, 可选
指定是否通过向
stft
提供非 None 的boundary
参数来扩展输入信号的边界。默认为 True。- time_axisint, 可选
STFT 的时间段所在的位置;默认为最后一个轴(即
axis=-1
)。- freq_axisint, 可选
STFT 的频率轴所在的位置;默认为倒数第二个轴(即
axis=-2
)。- scaling: {‘spectrum’, ‘psd’}
默认的 ‘spectrum’ 缩放允许将 Zxx 的每个频率线解释为幅度谱。‘psd’ 选项将每条线缩放为功率谱密度——它允许通过对
abs(Zxx)**2
进行数值积分来计算信号能量。
- 返回:
- tndarray
输出数据时间数组。
- xndarray
Zxx 的 iSTFT。
另请参见
stft
短时傅里叶变换
ShortTimeFFT
提供更多功能的更新 STFT/ISTFT 实现。
check_COLA
检查是否满足常数重叠相加(COLA)约束
check_NOLA
检查是否满足非零重叠相加(NOLA)约束
注释
为了通过
istft
实现 STFT 的逆变换,信号加窗必须遵循“非零重叠相加”(NOLA)约束\[\sum_{t}w^{2}[n-tH] \ne 0\]这确保了重叠相加重建方程分母中出现的归一化因子
\[x[n]=\frac{\sum_{t}x_{t}[n]w[n-tH]}{\sum_{t}w^{2}[n-tH]}\]不为零。NOLA 约束可以通过
check_NOLA
函数检查。经过修改(通过掩码或其他方式)的 STFT 不能保证与一个精确可实现的信号相对应。此函数通过 [2] 中详述的最小二乘估计算法实现 iSTFT,该算法生成的信号能使返回信号的 STFT 与修改后的 STFT 之间的均方误差最小化。
0.19.0 版本新增。
参考文献
[1]Oppenheim, Alan V., Ronald W. Schafer, John R. Buck “Discrete-Time Signal Processing”, Prentice Hall, 1999.
[2]Daniel W. Griffin, Jae S. Lim “Signal Estimation from Modified Short-Time Fourier Transform”, IEEE 1984, 10.1109/TASSP.1984.1164317
示例
>>> import numpy as np >>> from scipy import signal >>> import matplotlib.pyplot as plt >>> rng = np.random.default_rng()
生成一个测试信号,一个 2 Vrms 的 50Hz 正弦波,被 0.001 V**2/Hz 的白噪声污染,采样率为 1024 Hz。
>>> fs = 1024 >>> N = 10*fs >>> nperseg = 512 >>> amp = 2 * np.sqrt(2) >>> noise_power = 0.001 * fs / 2 >>> time = np.arange(N) / float(fs) >>> carrier = amp * np.sin(2*np.pi*50*time) >>> noise = rng.normal(scale=np.sqrt(noise_power), ... size=time.shape) >>> x = carrier + noise
计算 STFT,并绘制其幅度
>>> f, t, Zxx = signal.stft(x, fs=fs, nperseg=nperseg) >>> plt.figure() >>> plt.pcolormesh(t, f, np.abs(Zxx), vmin=0, vmax=amp, shading='gouraud') >>> plt.ylim([f[1], f[-1]]) >>> plt.title('STFT Magnitude') >>> plt.ylabel('Frequency [Hz]') >>> plt.xlabel('Time [sec]') >>> plt.yscale('log') >>> plt.show()
将载波幅度 10% 或更小的分量置零,然后通过逆 STFT 转换回时间序列
>>> Zxx = np.where(np.abs(Zxx) >= amp/10, Zxx, 0) >>> _, xrec = signal.istft(Zxx, fs)
将清理后的信号与原始信号和真实载波信号进行比较。
>>> plt.figure() >>> plt.plot(time, x, time, xrec, time, carrier) >>> plt.xlim([2, 2.1]) >>> plt.xlabel('Time [sec]') >>> plt.ylabel('Signal') >>> plt.legend(['Carrier + Noise', 'Filtered via STFT', 'True Carrier']) >>> plt.show()
请注意,清理后的信号不像原始信号那样突然开始,因为瞬态的一些系数也被移除了
>>> plt.figure() >>> plt.plot(time, x, time, xrec, time, carrier) >>> plt.xlim([0, 0.1]) >>> plt.xlabel('Time [sec]') >>> plt.ylabel('Signal') >>> plt.legend(['Carrier + Noise', 'Filtered via STFT', 'True Carrier']) >>> plt.show()