本页使用了标题或全文手工转换

S轉換

维基百科,自由的百科全书
跳转至: 导航搜索

S轉換(s-transform),或S變換是一種時頻分析的工具。

和其他時頻分析工具一樣,透過S轉換,我們可以同時從時域以及頻域觀察一個信號的能量分布。S轉換的特別之處在它既保持與傅立葉變換的直接關係,又可在不同頻率有不同的解析度。此外,S轉換與小波轉換(wavelet transform)有密切的關係,或可視為連續小波轉換(continuous wavelet transform)的變形。S轉換的清晰度略優於加伯轉換(Gabor transform),而不如韋格納分佈(Wigner distribution function)、科恩克萊斯分佈改良式韋格納分佈(Modified Wigner distribution function)。

定義[编辑]

一個信號x(t)的S轉換為

S_x(t,\,f)=\int_{-\infty}^{\infty} x(\tau)\,|f|\,e^{-\pi(t-\tau)^2f^2} e^{-j2\pi f\tau}\, d\tau

其中窗函數為高斯窗函數

w(t,f) = |f|e^{-\pi t^2f^2}

另種表示-頻譜表示式[编辑]

藉著摺積定理

 x(t)\ast h(t) = \mathcal{F}^{-1}(X(f)\cdot H(f))

S轉換能以頻域 X(f) 表示,

 S_x(t,f) = \int_{-\infty}^{\infty} (x(\tau) e^{-j2 \pi f \tau})(|f|e^{- \pi (t- \tau)^2 f^2})\, d\tau

这里可将 S_x(t,f)看成x(t) e^{-j2 \pi ft}|f|e^{-\pi t^2 f^2}的卷积,
x(\tau) e^{-j2 \pi f \tau} 以及 |f|e^{-\pi (t-\tau)^2 f^2}分別取傅立葉變換可得

 S_x(t,f) = \int_{-\infty}^{\infty} X(f+\alpha)\,e^{-\pi\alpha^2 /f^2}\,e^{j2\pi\alpha t}\, d\alpha

逆S轉換(inverse S-transform)[编辑]

S轉換可以沿著時間軸方向積分,將可以得到x(t)的頻譜X(f)。推導如下,
利用Gaussian window所包含面積等於1的特性,

\int_{-\infty}^{\infty}|f|e^{-\pi (t-\tau)^2 f^2}\, dt= |f|\int_{-\infty}^{\infty}e^{-\pi (t-\tau)^2 f^2}\, dt= 1

因此,沿著時間軸t積分,

\int_{-\infty}^{\infty}S_x(t,f)\, dt = \int_{-\infty}^{\infty} x(\tau) \left[\int_{-\infty}^{\infty} |f|\,e^{-\pi(t-\tau)^2f^2}\, dt\right]\,e^{-j2\pi f\tau}\, d\tau = X(f)

這表示S頻譜是可逆的,同時也提供一個簡單的逆轉換。

x(\tau) = \int_{-\infty}^{\infty}\left[\int_{-\infty}^{\infty}S_x(t,f)\, dt\right]\,e^{j2\pi f\tau}\, df
 = \int_{-\infty}^{\infty}X(f)\,e^{j2\pi f\tau}\, df

濾波應用(Filtering)[编辑]

S轉換如同其他時頻分析轉換,皆可以設計波器來達到消除雜訊留下訊號的功用,
利用逆S轉換,我們可以設計一個S域的濾波器U(t,f),對x(t)進行訊號處理

x_{filter}(\tau) = \int_{-\infty}^{\infty}\left[\int_{-\infty}^{\infty}S_x(t,f)\cdot U(t,f) \, dt\right]\,e^{j2\pi f\tau}\, df

離散時間S轉換[编辑]

S轉換相較於加伯轉換,雖在清晰度有較好的改善,但也有其缺點,就是運算複雜度變高,積分的範圍會隨著f\,的增加而增加。
因此,這裡利用上面推導的頻譜表示式來推導離散時間S轉換
頻譜表示式

S_x(t,f) = \int_{-\infty}^{\infty} X(f+\alpha)\,e^{-\pi\alpha^2 /f^2}\,e^{j2\pi\alpha t}\, d\alpha

t = n\Delta_{T}\,\, f = m\Delta_{F}\,\, \alpha = p\Delta_{F}

\Delta_{T}\,表示取樣時間間隔, \Delta_{F}\,表示取樣頻率

如果要使用FFT的方式來實作,必須另加條件

\Delta_{T} \cdot \Delta_{F}=1/N

首先先對x(t)做傅立葉變換得到X(f)

X[m\Delta_{F}]=\frac{1}{N}\,\sum_{k=0}^{N-1}x[k\Delta_{T}]\,e^{\frac{-j2\pi mk}{N}}

接著帶入頻譜表示式中,

S_{x}(n\Delta_{T}\, ,m\Delta_{F}) = \sum_{p=0}^{N-1} X[(p+m)\,\Delta_{F}]\,e^{-\pi\frac{p^2}{m^2}}\,e^{\frac{j2pn}{N}}

當 m=0 時,S轉換就定義成

S_{x}(n\Delta_{T}\, ,0)= \frac{1}{N}\,\sum_{k=0}^{N-1}x[k\Delta_{F}]

流程[编辑]

Step1 : 計算X[p\Delta_{F}]\,,這個步驟只需要計算一次。
Step2 : 計算e^{-\pi \frac{p^2}{m^2}}for f=m\Delta_{F}
Step3 : 將X[p\Delta_{F}]移動至X[(p+m)\Delta_{F}]
Step4 : 將Step2,Step3的結果相乘得到

B[m,p] = X[(p+m)\Delta_{F}]\cdot e^{-\pi \frac{p^2}{m^2}}

Step5 : 對B[m,p]取逆離散傅立葉變換(IDFT)可得到,S_{x}(n\Delta_{T}\, ,m\Delta_{F})f=m\Delta_{F}的行向量
Step6 : 重複Step2~5直到S_{x}(n\Delta_{T}\, ,m\Delta_{F})全部定義完成。

S轉換特性[编辑]

S轉換與加伯轉換(Gabor Transform)很相似,

 G_{x}(t,f)=\int_{-\infty}^{\infty}x(\tau)\,e^{-\pi (t-\tau)^2} e^{-j2\pi f \tau}\, d\tau
 S_{x}(t,f)=\int_{-\infty}^{\infty}x(\tau)\,|f|e^{-\pi (t-\tau)^2 f^2} e^{-j2\pi f \tau}\, d\tau

唯一的不同就在於S轉換的Gaussian Window的寬度會隨著f改變。

低頻 時域解析度差 頻域解析度佳
高頻 頻域解析度差 時域解析度佳

原因就是f\,在高頻時,Gaussian Window寬度變小,時域解析度好;反之,f\,在低頻時,Gaussian Window寬度變寬,頻域解析度好。
但是,當f\rightarrow0時,Gaussian Window會無窮無盡的變寬,就喪失時頻分析只做局部分析的精神。
一種解決的方式是:使Gaussian Window寬度不再因f^2\,改變\,產生頻寬劇烈的變化,
S轉換一般式

S_{x}(t,f)=|s(f)|\int_{-\infty}^{\infty}x(\tau)\,e^{-\pi (t-\tau)^2 s^2(f)} e^{-j2\pi f \tau}\, d\tau
s(f)是一個相對平緩的曲線(見底下示意圖),當f\rightarrow0時,s(f)\neq 0

S轉換是一種運算量高的時頻分析工具,尤其在低頻部分,Gaussian Window寬度變寬,頻域解析度比加伯轉換來的好,所以S轉換對於低頻訊號分析比較有優勢
例如:聲音訊號,人耳對高頻的部分沒有太特別的感覺,但在低頻部分卻比較敏感,如:中央Do = 262Hz,高八度Do = 512Hz 可以很清楚的聽出兩個不同的音, 但10000Hz 和 10170Hz對人來說差別不大,再說人耳對3KHz以內的聲音最敏感,所以能分析低頻訊號就顯得重要。
此時,就可以使用S轉換,來強調低頻訊號,而犧牲高頻訊號。

StransformSf.jpg

與韋格納分佈的比較[编辑]

韋格納分佈是時頻分析工具中,具有高清晰度的一個,但最大的缺點是有交叉項(cross-term)的問題。若一個信號是由數個信號成份組合而成,那麼使用韋格納分佈來分析時就會受到兩兩信號成份之間的交叉項干擾,这将会产生一些不必要的噪声。一個信號x的韋格納分佈為

W_x(t,f)= \int_{-\infty}^{\infty} x(t+\frac{\tau}{2})x^*( t-\frac{\tau}{2})e^{-j2\pi\tau f}\, d\tau

交叉項是在積分中兩個x項相乘時產生的。S轉換的計算原理與韋格納分佈不同,是直接對x(\tau)進行轉換,不會有交叉項的問題。

與加伯轉換的比較[编辑]

S轉換的計算方式與加伯轉換的形式有點類似,但多了|f|, f\,^2兩項。加伯轉換與S轉換同樣沒有交叉項問題,但S轉換的清晰度高於加伯轉換。

與小波轉換的關係[编辑]

連續小波轉換可以視為將一個信號對小波做相關(correlation):

W(\tau,\,d)=\int_{-\infty}^{\infty} x(t)\,W(t-\tau,\,d))\, dt

而S轉換可以視為連續小波轉換乘上一個相位項:

S(\tau,\,f)=e^{-j2\pi\tau f}W(\tau,\,d)

而其用的母小波為:

w(t,\,f)=|f|\,\exp[-\pi t^2f^2] \exp[-j2\pi ft]


參考文獻[编辑]

  • R. G. Stockwell, L. Mansinha, and R. P. Lowe, "Localization of the complex spectrum: the S transform," IEEE Trans. Signal Processing, vol. 44, no. 4, pp. 998–1001, Apr. 1996.
  • Jian-Jiun Ding, Time frequency analysis and wavelet transform class note, the Department of Electrical Engineering, National Taiwan University (NTU), Taipei, Taiwan, 2010.
  • Sitanshu Sekhar, Ganapati Panda and Nithin V George, "An Improved S-Transform for Time-Frequency Analysis," "IACC2009", pp. 315-319, March 2009.