STFT filter bank

STFT根据公式不同的写法，可以推导出overlap-add和filter-bank两种不同的实现方式

X(w)=∑nx(n)w(n−mR)e−jωnX(w)=∑nx(n)w(n−mR)e−jωnX(w)=\sum_{n}x(n)w(n-mR)e^{-j\omega n}

先暂时讨论R = 1的情况
filter bank可以用以下流程表示

分析下以上步骤：
1. 输入信号x(n)x(n)x(n)被一个复指数调制，任意信号都可以分解成正弦函数的叠加，

x(n)=∑c=Nc=1akejωcnx(n)=∑c=1c=Nakejωcnx(n)=\sum_{c=1}^{c=N} a_k e^{j\omega_cn}

乘以一个复指数后

x(n)=∑c=Nc=1akej(ωc−ωk)nx(n)=∑c=1c=Nakej(ωc−ωk)nx(n)=\sum_{c=1}^{c=N} a_k e^{j(\omega_c-\omega_k)n}

因此复指数调试过程在频域可以看做是进行频谱搬移，即所有频率的信号都往前搬移了ωkωk\omega_k，可以看出，原先x(n)x(n)x(n)中在ωkωk\omega_k频率的信号便被调制到了0频率处，
2. 调制后的信号xkxkx_k再与窗函数www做卷积，时域卷积对应频域相乘，窗函数在频域为一个低通滤波器，因此输出Xn(ωk)" role="presentation">Xn(ωk)Xn(ωk)X_n(\omega_k)是原先包含ωkωk\omega_k然后被调制到直流频率处的信号

那如果再在输出解调一下，也就是再乘上一个ejωknejωkne^{j\omega_kn}，如下图

上图整个过程就相当于让x(n)x(n)x(n)通过了一个中心频率为ωcωc\omega_c的带通滤波器

用代码验证下上述过程的效果

N=20;           % number of filters = DFT length
fs=1000;        % sampling frequency (arbitrary)
D=1;            % duration in secondsL = ceil(fs*D)+1; % signal duration (samples)
n = 0:L-1;        % discrete-time axis (samples)
t = n/fs;         % discrete-time axis (sec)
x = chirp(t,0,D,fs/2);   % sine sweep from 0 Hz to fs/2 Hz
%x = echirp(t,0,D,fs/2); % for complex "analytic" chirp
x = x(1:L);       % trim trailing zeros at end
h = ones(1,N);    % Simple DFT lowpass = rectangular window
%h = hamming(N);  % Better DFT lowpass = Hamming window
X = zeros(N,L);   % X will be the filter bank output
y = zeros(N,L);   % X will be the filter bank output
for k=1:N         % Loop over channelswk = 2*pi*(k-1)/N;xk = exp(-j*wk*n).* x;  % Modulation by complex exponentialX(k,:) = filter(h,1,xk);
end
for k=1:N         % Loop over channelswk = 2*pi*(k-1)/N;yk = exp(1j*wk*n).* X(k,:);  % demodulation by complex exponentialy(k,:) = yk;
end
y_out = sum(y)/(N*h(1));

上面代码中，输入为扫频信号，20个滤波器组，信号在每个通道先经过调制，然后经过窗滤波，最后再通过解调还原，按照前面的解释，输出的yy<script type="math/tex" id="MathJax-Element-22">y</script>各个通道应该是带通滤波器的结果，画出几个通道的频谱如下

fft1 = abs(fft(real(y(1,:))));
fft2 = abs(fft(real(y(5,:))));
fft3 = abs(fft(real(y(9,:))));
figure,
omega = (1:length(fft1)/2)*2/length(fft1);
subplot(3,1,1),plot(omega,fft1(1:500)),title('y1')
subplot(3,1,2),plot(omega,fft2(1:500)),title('y5')
subplot(3,1,3),plot(omega,fft3(1:500)),title('y9')

STFT filter bank相关推荐

MFCC/Filter Bank的提取流程
预加重:通过一个一阶有限激励响应高通滤波器,使信号的频谱变得平坦,不易受到有限字长效应的影响. 分帧:根据语音的短时平稳特性,语音可以以帧为单位进行处理,实验中选取的语音帧长为32ms,帧移为16ms ...
03 - 滤波器组典型相关分析(Filter bank canonical correlation analysis,fbcca）
03 - 滤波器组典型相关分析(Filter bank canonical correlation analysis,fbcca) 这里介绍了一种简单的SSVEP算法,在实际中有着重要的作用. 文章目 ...
滤波器组共空间模式(Filter Bank Common Spatial Pattern，FBCSP)
FBCSP matlab Matlab FBCSP实现 FBCSP原理测试数据文件结构结构如下数据结构如下运行结果代码主文件Test.m FBCSP.m函数 FBCSPOnline.m函数 ...
虹膜识别论文4：DeepIris: Learning pairwise filter bank for heterogeneous iris verification 2015
DeepIris: Learning pairwise filter bank for heterogeneous iris verification 2015年 Pattern Recognitio ...
STFT的综合分析--滤波器组求和(FBS)和叠相相加(OLA)
STFT 固定频率时的两种解释第一种解释 STFT的公式可以表示为: X(n,w)=∑n=−∞n=∞x(m)w(n−m)e−jwmX(n,w)=\sum_{n=-\infty}^{n=\infty} ...
论文阅读：Deep Filter Banks for Texture Recognition and Segmentation
2015年的CVPR,深度卷积特征+Fisher Vector的方法在纹理数据库上得到了比较优秀的performance Motivation: 作者认为,对于纹理特征来说,使用全连接层的特征有一下三 ...
librosa 语音库（三） librosa.feature. 中的 spectrogram 与 melspectrogram
窗口的长度与 n_fft 需要匹配大小长度: 1. Mel 语谱图的函数定义 librosa.feature.melspectrogram()函数在spectral.py 中,实现过程为: def m ...
『语音信号处理』语音库 librosa 学习
librosa 前言音频读取重采样读取时长写音频过零率波形图短时傅里叶变换短时傅里叶逆变换幅度转dB 功率转dB 频谱图 Mel滤波器组梅尔频谱提取MFCC系数前言安装 li ...
声音领域的算法库一般有librosa、essentia、torchaudio、深度学习等
这个领域的算法库一般有librosa.essentia.torchaudio.深度学习等.这个领域目前的工程套路是: 首先声音是一维的时域信号,但是计算机看了觉得没啥用(你看wav文件那些采样点,这些 ...

STFT filter bank

STFT filter bank

STFT filter bank相关推荐

最新文章

热门文章