---

前言

实际中，有些信号是非平稳信号，这就导致我们在使用傅里叶变换时会出现频率混叠的现象。为实现非平稳信号的频率分析，短时傅里叶变化由此诞生。

---

一、短时傅里叶变换原理和用途

短时傅里叶变换原理是将单条非平稳信号切片成多个信号片段，然后分别对每个信号片段做傅里叶变换，最后将每个信号片段的频谱合为一个整体。短时傅里变换后的信号谱图中，横坐标是时间，纵坐标是频率，谱图颜色的深浅表示频率的大小。

二、使用步骤

1.主要代码

代码如下（示例）：

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt


def STFT(x, fs, n):
    f, t, amp = signal.stft(x, fs, nperseg=n)
    z = np.abs(amp.copy())
    return f, t, z

2.示例Demo

代码如下（示例）：

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt


def STFT(x, fs, n):
    f, t, amp = signal.stft(x, fs, nperseg=n)
    z = np.abs(amp.copy())
    return f, t, z


if __name__ == '__main__':
    w = 5
    z = 30
    fs = 1024
    fsw = 5
    time = 10
    f = w * z
    t = np.linspace(0, time - 1 / fs, int(time * fs))
    x = (1 + 1 * np.sin(2 * np.pi * 20 * t)) * np.sin(2 * np.pi * f * t)
    fre, ts, amp = STFT(x, fs, 512)
    plt.subplot(2, 1, 1)
    plt.plot(t, x)
    plt.ylabel('Amplitude')
    plt.xlabel('time')
    plt.subplot(2, 1, 2)
    plt.pcolormesh(ts, fre, amp)
    plt.ylabel('Frequency')
    plt.xlabel('time')
    plt.show()

---

总结

欢迎各位交流，后续有啥想实现的信号处理功能，请在下方评论区留言，或者关注公众号：不说话上代码