### 实现自定义快速傅里叶变换（UFT） 为了实现不依赖于 Python 或 MATLAB 内置函数的快速傅里叶变换（FFT），可以采用 Cooley-Tukey 算法，其核心思想是将 DFT 拆分为偶数索引和奇数索引部分，并递归地计算它们的结果。该方法的时间复杂度为 $O(N \log N)$，相比直接计算 DFT 的 $O(N^2)$ 更加高效[^1]。 #### 代码示例：自定义 UFT ```python import math def uft(x): N = len(x) if N <= 1: return x even = uft(x[::2]) odd = uft(x[1::2]) combined = [0] * N for k in range(N // 2): w = math.cos(2 * math.pi * k / N) + 1j * math.sin(2 * math.pi * k / N) combined[k] = even[k] + w * odd[k] combined[k + N // 2] = even[k] - w * odd[k] return combined ``` 该实现基于分治策略，利用旋转因子 $W_N^k = e^{-j2\pi k/N}$ 合并子结果，最终得到完整的频域信号。 --- ### 实现窗函数支持 在短时傅里叶变换（STFT）中，窗函数用于减少频谱泄漏，提高频率分辨率。常见的窗函数包括汉宁窗（Hanning Window）和海明窗（Hamming Window）。这些窗函数通过对信号局部加权来改善频谱特性。 #### 汉宁窗表达式： $$ w(n) = 0.5 - 0.5 \cos\left(\frac{2\pi n}{N-1}\right), \quad 0 \leq n < N $$ #### 海明窗表达式： $$ w(n) = 0.54 - 0.46 \cos\left(\frac{2\pi n}{N-1}\right), \quad 0 \leq n < N $$ #### 代码示例：生成窗函数 ```python def hanning_window(N): return [0.5 - 0.5 * math.cos(2 * math.pi * n / (N - 1)) for n in range(N)] def hamming_window(N): return [0.54 - 0.46 * math.cos(2 * math.pi * n / (N - 1)) for n in range(N)] ``` 上述窗函数可用于对信号帧进行加权处理，以优化频谱分析效果。 --- ### 构建短时傅里叶变换（STFT） 短时傅里叶变换通过将信号划分为多个重叠或非重叠的帧，对每一帧执行傅里叶变换，从而获取信号的时频特征。每帧信号应先应用窗函数，再调用自定义 UFT 进行处理。 #### STFT 处理流程： 1. **分帧**：将输入信号划分为固定长度的帧； 2. **加窗**：对每一帧应用窗函数； 3. **UFT 变换**：对加窗后的帧进行傅里叶变换； 4. **提取频谱**：记录每一帧的幅值信息，形成时频图。 #### 代码示例：STFT 实现 ```python def stft(signal, window_func, frame_size, overlap): step = frame_size - overlap num_frames = (len(signal) - frame_size) // step + 1 frames = [signal[i*step:i*step+frame_size] for i in range(num_frames)] window = window_func(frame_size) result = [] for frame in frames: windowed_frame = [frame[n] * window[n] for n in range(frame_size)] spectrum = uft(windowed_frame) result.append([abs(s) for s in spectrum[:frame_size//2]]) return result ``` 该函数返回一个二维数组，其中每一行代表一帧的频域幅值信息，可用于绘制频谱图。 --- ### 信号加噪前后的对比与时频特征分析 为了评估不同窗函数对信号的影响，可引入高斯白噪声模拟实际环境中的干扰信号。噪声强度可通过调整标准差 $\sigma$ 控制。 #### 加噪公式： $$ y(t) = x(t) + \sigma \cdot n(t) $$ 其中 $x(t)$ 是原始信号，$n(t)$ 是服从正态分布的随机噪声，$\sigma$ 为噪声强度系数。 #### 对比分析步骤： 1. 对原始信号和加噪信号分别执行 STFT； 2. 提取频域幅值信息； 3. 绘制热力图或频谱图比较时频特征差异； 4. 观察不同窗函数（如汉宁窗与海明窗）对频谱平滑性和主瓣宽度的影响。 --- ### 不同参数设置下的影响分析 #### 窗函数宽度的影响： 窗函数宽度决定了频率分辨率和时间分辨率之间的平衡。较长的窗宽可以提升频率分辨率，但会降低时间分辨率；较短的窗宽则相反。例如，在检测瞬态信号时，应选择较短的窗宽以捕捉快速变化的特征。 #### 重叠长度的影响： 增加帧间重叠可以提高时间分辨率，减少由于窗函数截断导致的能量损失，但会增加计算量。通常重叠长度设置为帧长的 50% 或 75% 效果较好。 #### 示例分析方法： - 固定窗函数类型，调整窗宽和重叠长度； - 记录每次变换后的频谱峰值、能量分布等指标； - 分析不同参数下对信号特征提取的稳定性与准确性。 --- ###