Python cusignal.spectral_analysis.spectral.istft用法及代码示例

用法: cusignal.spectral_analysis.spectral.istft(Zxx, fs=1.0, window='hann', nperseg=None, noverlap=None, nfft=None, input_onesided=True, boundary=True, time_axis=- 1, freq_axis=- 2)

执行逆短时傅里叶变换 (iSTFT)。参数——- Zxx：数组

要重建的信号的 STFT。如果传递的是纯实数数组，它将被强制转换为复杂数据类型。

fs浮点数，可选: 时间序列的采样频率。默认为 1.0。
窗户str 或 tuple 或数组，可选: 想要使用的窗口。如果window是字符串或元组，则传递给get_window生成窗口值，默认为DFT-even。有关窗口和所需参数的列表，请参阅get_window。如果window 是数组，它将直接用作窗口，其长度必须为nperseg。默认为 Hann 窗口。必须与用于生成 STFT 的窗口匹配以实现忠实的反演。
npersegint 可选: 每个 STFT 段对应的数据点数。如果每段的数据点数是奇数，或者如果 STFT 是通过 nfft > nperseg 填充的，则必须指定此参数。如果 None ，该值取决于 Zxx 和 input_onesided 的形状。如果 input_onesided 是 True ， nperseg=2*(Zxx.shape[freq_axis] - 1) 。否则，nperseg=Zxx.shape[freq_axis]。默认为 None 。
重叠int 可选: 段之间重叠的点数。如果 None ，则为段长度的一半。默认为 None 。指定时，必须满足 COLA 约束(请参阅下面的注释)，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 填充，则必须指定此参数。如果 None ，默认值与 nperseg 相同，详见上文，但有一个异常：如果 input_onesided 为 True 且 nperseg==2*Zxx.shape[freq_axis] - 1 ， nfft 也采用该值。这种情况允许使用 nfft=None 正确反转 odd-length 未填充的 STFT。默认为 None 。
input_onesided布尔型，可选: 如果 True ，将输入数组解释为 one-sided FFT，例如由 stft 与 return_onesided=True 和 numpy.fft.rfft 返回。如果 False ，将输入解释为 two-sided FFT。默认为 True 。
边界布尔型，可选: 通过向 stft 提供非 None boundary 参数来指定输入信号是否在其边界处扩展。默认为 True 。
time_axisint 可选: STFT的时间段所在的位置；默认值为最后一个轴(即 axis=-1 )。
freq_axisint 可选: STFT的频率轴所在的位置；默认值为倒数第二个轴(即 axis=-2 )。

tndarray: 输出数据时间数组。
xndarray: Zxx 的 iSTFT。

STFT：短时间傅里叶变换check_COLA：检查常量OverLap添加(可赌Cola)约束

满足

check_NOLA：检查是否满足非零重叠相加 (NOLA) 约束注 ---- 为了通过 istft 的反向 STFT 启用 STFT 的反转，信号窗口必须服从 “nonzero overlap add” (NOLA) 的约束: .. math::sum_{t}w^{2}[n-tH] ne 0 这确保了出现在 overlap-add 重建方程的分母中的归一化因子 .. math::x[n]= frac{sum_{t}x_{t}[n]w[n-tH]}{sum_{t}w^{2}[n-tH]} 不为零。可以使用check_NOLA 函数检查 NOLA 约束。已修改(通过掩码或其他方式)的 STFT 不能保证对应于完全可实现的信号。此函数通过 [2] 中详述的 least-squares 估计算法实现 iSTFT，该算法产生的信号使返回信号的 STFT 与修改后的 STFT 之间的均方误差最小化。 .. version added::0.19.0 References ----- .. [Rb890c6d0cb06-1] Oppenheim, Alan V., Ronald W. Schafer, John R. Buck

“Discrete-Time 信号处理”，Prentice Hall，1999 年。

2: Daniel W. Griffin, Jae S. Lim “Signal Estimation from Modified Short-Time Fourier Transform”, IEEE 1984, 10.1109/TASSP.1984.1164317

>>> from scipy import signal
>>> import matplotlib.pyplot as plt
Generate a test signal, a 2 Vrms sine wave at 50Hz corrupted by
0.001 V**2/Hz of white noise sampled at 1024 Hz.
>>> fs = 1024
>>> N = 10*fs
>>> nperseg = 512
>>> amp = 2 * np.sqrt(2)
>>> noise_power = 0.001 * fs / 2
>>> time = cp.arange(N) / float(fs)
>>> carrier = amp * cp.sin(2*cp.pi*50*time)
>>> noise = cp.random.normal(scale=cp.sqrt(noise_power),
...                          size=time.shape)
>>> x = carrier + noise
Compute the STFT, and plot its magnitude
>>> f, t, Zxx = cusignal.stft(x, fs=fs, nperseg=nperseg)
>>> f = cp.asnumpy(f)
>>> t = cp.asnumpy(t)
>>> Zxx = cp.asnumpy(Zxx)
>>> 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()
Zero the components that are 10% or less of the carrier magnitude,
then convert back to a time series via inverse STFT
>>> Zxx = cp.where(cp.abs(Zxx) >= amp/10, Zxx, 0)
>>> _, xrec = cusignal.istft(Zxx, fs)
>>> xrec = cp.asnumpy(xrec)
>>> x = cp.asnumpy(x)
>>> time = cp.asnumpy(time)
>>> carrier = cp.asnumpy(carrier)
Compare the cleaned signal with the original and true carrier signals.
>>> 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()
Note that the cleaned signal does not start as abruptly as the original,
since some of the coefficients of the transient were also removed:
>>> 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()

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cusignal.spectral_analysis.spectral.istft。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。