关于短时傅里叶变换的加窗问题

Accompany

短时傅里叶变换属于线性时频表示，没有交叉项干扰，在很多场合中应用还是很方便的，虽然时频聚集性没有WVD好，此外，由于HHT方法的局限性，在适当的场合利用下短时傅里叶变换还是很有效果的，另外也可作为与其他方法的一个比对。
如果利用时频工具箱的处理函数tfrstft，默认的滤波加窗宽度=数据长度/4，这很容易理解，T*B=1/4的时候具有最好的时频聚集性，但是，如果数据长度不是2的指数次方，此时默认窗宽度就有问题了，我目前的思路是窗宽度取接近数据长度的最小的2的指数次方的1/4*pi，这样获得的效果是最好的。
不知道还有没有其他更好的方法，欢迎讨论交流！
这两天又对该问题进行了资料搜集，验证了我的想法，但是即使是按照这种方法做，也仍然脱离不了不确定性原理的束缚，而其对于滤波窗的问题，已经有了研究的先例，大家可以参考 ASTFT（自适应短时傅里叶变换）和分数间隔傅里叶变换，似乎得到的结果都不错。
转自：http://blog.sina.com.cn/s/blog_5def5a660100dc8p.html

dsp2008

你的意思是数据分段分不匀称吗？

如果是这个问题，整个数据的长度只需是4的倍数就可以了呀，哪里用得着2的幂呢？

schou0419

原理呢？

红轮

感觉和welch法计算PSD差不多吧， 有时试验数据量很大，采样率又固定的时候，分4段岂不分辨率太高？结果毛刺太多，反而看不出个123，感觉分2的整数幂是为了FFT效率高，但NFFT可以大于window啊？ 超过的补零就OK了，望高手解惑？

z527883588

stft得出的结果也是功率谱密度吗？不是分段进行FFT？