1. 时频分析：信号老司机的必备技能
作为一名长期与信号打交道的工程师，我深刻体会到时频分析的重要性。单纯观察时域波形就像试图通过观察海浪的起伏来判断海洋的深度 - 你只能看到表面的波动，却无法了解内在的频率成分。而传统的频域分析又像把整个海洋的水倒进一个容器测量 - 你知道了各种成分的比例，却失去了它们随时间变化的信息。
时频分析完美解决了这个困境。它就像给信号装上了时间和频率的双重坐标，让我们能够清晰地看到不同时刻的频率成分如何变化。这种分析方法在振动监测、语音识别、生物医学信号处理等领域都是不可或缺的工具。
提示：时频分析的核心价值在于揭示非平稳信号的时变特性，这是传统傅里叶分析无法提供的。
2. MATLAB时频分析工具箱概览
MATLAB提供了丰富的时频分析函数，主要分为以下几类：
2.1 短时傅里叶变换(STFT)
STFT是最基础的时频分析方法，原理是将信号分成短时段，对每段进行傅里叶变换。MATLAB中对应的函数是spectrogram。
matlab复制% 基本STFT示例
fs = 1000; % 采样率
t = 0:1/fs:1; % 时间向量
x = chirp(t,0,1,250); % 线性调频信号
window = hamming(256); % 窗函数
noverlap = 200; % 重叠点数
nfft = 1024; % FFT点数
[s,f,t] = spectrogram(x,window,noverlap,nfft,fs);
surf(t,f,10*log10(abs(s)),'EdgeColor','none');
axis tight; view(0,90);
xlabel('Time (s)'); ylabel('Frequency (Hz)');
2.2 连续小波变换(CWT)
小波变换使用可伸缩的基函数，能在不同尺度上分析信号。MATLAB的cwt函数实现了这一功能。
matlab复制% CWT示例
load mtlb; % 加载示例语音信号
[cfs,frq] = cwt(mtlb,Fs);
tms = (0:numel(mtlb)-1)/Fs;
surface(tms,frq,abs(cfs))
axis tight
shading flat
xlabel('Time (s)')
ylabel('Frequency (Hz)')
set(gca,'yscale','log')
2.3 S变换
S变换结合了STFT和小波变换的优点，MATLAB中没有内置函数，但可以自行实现：
matlab复制function [st_matrix, t, f] = stransform(x, fs)
N = length(x);
t = (0:N-1)/fs;
f = (0:N/2-1)*fs/N;
st_matrix = zeros(length(f), N);
for m = 1:length(f)
sigma = 1/f(m);
for n = 1:N
kernel = exp(-2*pi^2*f(m)^2*(t-t(n)).^2) .* exp(-1i*2*pi*f(m)*(t-t(n)));
st_matrix(m,n) = sum(x .* kernel);
end
end
end
3. 参数选择与优化技巧
3.1 窗函数选择
窗函数直接影响STFT的时频分辨率。常见选择包括：
- 矩形窗：时间分辨率最高，频率分辨率最差
- 汉宁窗：平衡时频分辨率
- 高斯窗：可调节时频分辨率
matlab复制% 不同窗函数比较
windows = {@rectwin, @hann, @gausswin};
figure;
for i = 1:3
subplot(3,1,i);
win = windows{i}(64);
spectrogram(x,win,60,1024,fs,'yaxis');
title(func2str(windows{i}));
end
3.2 小波基选择
小波基的选择取决于信号特性：
- 'morse'：通用性最好
- 'amor'：适合振荡信号
- 'bump'：适合瞬态信号
matlab复制% 不同小波基比较
wavelets = {'morse','amor','bump'};
figure;
for i = 1:3
subplot(3,1,i);
cwt(x,fs,'Wavelet',wavelets{i});
title(wavelets{i});
end
3.3 分辨率权衡
时频分析中存在著名的"测不准原理"：时间分辨率和频率分辨率无法同时达到最优。实际应用中需要根据信号特性进行权衡：
- 对于快速变化的瞬态信号：选择短时窗，牺牲频率分辨率
- 对于缓慢变化的谐波信号：选择长时窗，牺牲时间分辨率
4. 实战案例：轴承故障诊断
让我们通过一个实际案例展示时频分析的价值。假设我们需要诊断轴承的早期故障：
matlab复制% 加载轴承数据
load bearing.mat % 假设这是采集的振动信号
% 时域波形
figure;
subplot(2,1,1);
plot(t, vibration);
title('时域波形');
xlabel('时间(s)');
ylabel('振幅');
% STFT分析
subplot(2,1,2);
spectrogram(vibration, hamming(256), 200, 1024, fs, 'yaxis');
title('STFT时频图');
在这个案例中，时域波形可能看起来只是随机噪声，但时频图会清晰显示出周期性冲击成分，这正是轴承故障的特征。
5. 常见问题与解决方案
5.1 频谱泄露问题
当信号频率与分析频率不匹配时，会出现频谱泄露。解决方法：
- 增加窗长度
- 使用合适的窗函数
- 调整重叠比例
matlab复制% 减少频谱泄露的示例
x = sin(2*pi*50*t) + 0.5*sin(2*pi*75*t); % 两个正弦波
% 错误做法：矩形窗，无重叠
figure;
spectrogram(x, rectwin(64), 0, 1024, fs, 'yaxis');
title('频谱泄露严重');
% 正确做法：汉宁窗，50%重叠
figure;
spectrogram(x, hann(128), 64, 1024, fs, 'yaxis');
title('改善后的频谱');
5.2 计算效率优化
时频分析计算量较大，特别是长信号。优化技巧：
- 使用
parfor并行计算 - 分段处理长信号
- 降低频率分辨率要求
matlab复制% 并行计算示例
if isempty(gcp('nocreate'))
parpool; % 启动并行池
end
parfor i = 1:10
% 并行处理多个信号
analyze_signal(signal_cell{i});
end
5.3 可视化技巧
好的可视化能极大提升分析效果：
- 使用对数尺度显示弱分量
- 添加颜色条参考
- 调整视角突出特征
matlab复制% 优化可视化
[s,f,t] = spectrogram(x,window,noverlap,nfft,fs);
figure;
surf(t,f,10*log10(abs(s)),'EdgeColor','none');
axis tight; view(0,90);
xlabel('Time (s)'); ylabel('Frequency (Hz)');
colorbar;
caxis([-80 -20]); % 设置合适的颜色范围
title('优化后的时频图');
6. 进阶应用：多分量信号分析
实际工程信号往往包含多个分量，时频分析能有效分离它们：
matlab复制% 多分量信号示例
t = 0:1/fs:2;
x1 = chirp(t,0,1,200); % 线性调频
x2 = 0.5*sin(2*pi*100*t); % 恒定频率
x3 = pulstran(t,0:0.1:2,@gauspuls,50,0.5); % 脉冲序列
x = x1 + x2 + x3;
% 时频分析
figure;
cwt(x,fs,'Wavelet','morse');
title('多分量信号时频分析');
在这个例子中，时频图能清晰区分三种完全不同的信号成分，这是传统分析方法难以实现的。
7. 性能对比：STFT vs CWT vs S变换
让我们通过一个测试信号比较三种方法的性能：
matlab复制% 测试信号
t = 0:1/fs:1;
x = sin(2*pi*50*t) + (t>0.5).*sin(2*pi*150*t);
% STFT分析
figure;
subplot(3,1,1);
spectrogram(x,hann(128),120,1024,fs,'yaxis');
title('STFT');
% CWT分析
subplot(3,1,2);
cwt(x,fs);
title('CWT');
% S变换
subplot(3,1,3);
[st_matrix, t_axis, f_axis] = stransform(x, fs);
imagesc(t_axis, f_axis, abs(st_matrix));
set(gca,'YDir','normal');
xlabel('Time (s)'); ylabel('Frequency (Hz)');
title('S变换');
从结果可以看出：
- STFT：计算速度快，但分辨率固定
- CWT：多分辨率分析，但计算量较大
- S变换：综合性能好，但需要自行实现
8. 实际工程中的注意事项
经过多年实践，我总结了以下经验教训：
- 预处理很重要：分析前务必去除直流分量和趋势项，否则会影响低频分析结果
matlab复制% 正确的预处理流程
x_detrend = detrend(x); % 去除趋势
x_filtered = highpass(x_detrend,5,fs); % 高通滤波去除直流
-
参数选择要合理：窗长度应包含至少2-3个信号周期，对于50Hz信号，窗长度建议≥40ms
-
结果解读需谨慎：时频图中的边缘效应（边界处的异常）通常是分析方法本身造成的，不代表真实信号特性
-
存储优化：时频矩阵往往很大，可以使用
single精度或稀疏存储节省空间
matlab复制% 优化存储
stft_result = spectrogram(x,window,noverlap,nfft,fs);
stft_result_single = single(stft_result); % 转换为单精度
- 实时处理技巧：对于实时应用，可以重用部分计算结果提高效率
matlab复制% 实时处理框架示例
buffer = zeros(window_len,1); % 初始化缓冲区
while ~done
new_data = acquire_data(); % 获取新数据
buffer = [buffer(end-overlap+1:end); new_data]; % 更新缓冲区
% 只计算新数据部分
[spec,~] = stft(buffer,window,noverlap,nfft,fs);
update_display(spec(:,end-new_data_len+1:end));
end
时频分析是信号处理工程师的必备技能，掌握这些工具和技巧能让你在故障诊断、特征提取等任务中事半功倍。MATLAB提供了强大的时频分析功能，但关键在于理解原理并根据具体问题选择合适的分析方法。