跳至內容

韋格納分佈的時頻分析

維基教科書,自由的教學讀本


韋格納分布Wigner Distribution Function(縮寫為WDF),是時頻分析中的一種分析方式,以下為其方程式的轉換:

Wx(t,f)=∫−∞∞x(t+τ/2)⋅x∗(t−τ/2)e−j2πf⋅dτ

經整理後得到 Wx(t,f)=2∫−∞∞x(t+τ′)⋅x∗(t−τ′)e−j4πτ′f⋅dτ′, using τ′=τ/2

連續訊號要得到其數位實現,必須經過採樣(sampling), 使得 t=nΔt, f=mΔf,τ′=pΔt

重新回顧上述式子可以得到,Wx(nΔt,mΔf)=2∑p=−∞∞x((n+p)Δt)⋅x∗((n−p)Δt)e−j4πmpΔtΔfΔt

當 x(t) 不是 time-limited signal,會很難實現。


於是,通常我們會假設 x(t)=0 for t<n1Δt and t>n2Δt,也就是 x(t) 為一個有限長度的訊號:

如圖所示:

此時 x((n+p)Δt)x∗((n−p)Δt)=0, if (n+p)∉[n1,n2] or (n−p)∉[n1,n2]

繼續討論 p 的範圍 ( 於n為一固定值時 ):

  1. 對於(n+p):n1≤(n+p)≤n2⟶(n1−n)≤p≤(n2−n)
  2. 對於(n−p):n1≤(n−p)≤n2⟶(n1−n)≤−p≤(n2−n),也就是 (n−n2)≤p≤(n−n1)

於是便得知 p 的範圍為:max⁡(n1−n,n−n2)≤p≤min⁡(n2−n,n−n1)⟶−min⁡(n2−n,n−n1)≤p≤min⁡(n2−n,n−n1)⟶−Q≤p≤Q, Q=min(n2−n,n−n1)

用圖片來理解:

注意:當 n>n2 或 n<n1時,找不到適當的 p 來滿足不等式。

整理前述說明後,WDF的數位實現的數學式可整理為:

if x(t)=0 for t<n1Δt and t>n2Δt,

Wx(nΔt,mΔf)=2∑p=−QQx((n+p)Δt)x∗((n−p)Δt)e−j4πmpΔtΔfΔt

( Q=min⁡(n2−n,n−n1),(varies with n) and p∈[−Q,Q], n∈[n1,n2] )

以下提供3種實現方式:

  1. 暴力法 (Direct Implementation)
  2. 離散傅立葉轉換(Using Discrete time Fourier Transform)
  3. Chirp-Z轉換


暴力法(Direct Implementation)

[編輯]

根據 Wx(nΔt,mΔf)=2∑p=−QQx((n+p)Δt)x∗((n−p)Δt)e−j4πmpΔtΔfΔt, ( Q=min⁡(n2−n,n−n1),(varies with n) and p∈[−Q,Q], n∈[n1,n2] )

令nΔt共有T點,mΔf共有F點,此算法其複雜度為 θ(TF mean(2Q+1))

( mean(Q)≅n2−n14, mean(2Q+1)≅n2−n12+1≅T2 (∵T=n2−n1+1) )

⇒θ(TF mean(2Q+1))=θ(TFT2)=θ(T2F)


離散傅立葉轉換(Using Discrete time Fourier Transform)

[編輯]

當 ΔtΔf=12N, and N≥2Q+1,

Wx(nΔt,mΔf)=2Δt∑p=−QQx((n+p)Δt)x∗((n−p)Δt)e−j2πmpN, 令 q=p+Q→p=q−Q

⇒Wx(nΔt,mΔf)=2Δtej2πmQN∑q=02Qx((n+q−Q)Δt)x∗((n−q+Q)Δt)e−j2πmqN

⇒Wx(nΔt,mΔf)=2Δtej2πmQN∑q=0N−1c1(q) e−j2πmqN

其中:

c1(q)=x((n+q−Q)Δt)x∗((n−q+Q)Δt), for 0≤q≤2Q

c1(q)=0, for 2Q+1≤q≤N−1

此實現方式的複雜度為 θ( TNlog⁡(N) )( ∵Fourier Transform: N−points→Nlog⁡(N))


Chirp-Z轉換

[編輯]

Wx(nΔt,mΔf)=2∑p=−QQx((n+p)Δt)x∗((n−p)Δt)e−j4πmpΔtΔfΔt

⇒Wx(nΔt,mΔf)=2Δte−j2πm2ΔtΔf∑p=−QQx((n+p)Δt)x∗((n−p)Δt)e−j2πp2ΔtΔfej2π(p−m)2ΔtΔf

Step1. x1(n,p)=x((n+p)Δt)x∗((n−p)Δt)e−j2πp2ΔtΔf

Step2. X2[n,m]=∑p=−QQx1[n,p]c[m−p], c[m]=ej2πm2ΔtΔf

Step3. X(nΔt,mΔf)=2Δte−j2πm2ΔtΔfX2[n,m]


此實現方式複雜度一樣為 θ( TNlog⁡(N) ) 但相較使用離散傅立葉轉換方式而言( [ θ( T3Nlog⁡(N) ) = θ( TNlog⁡(N) ) ] 數字3來自於convolution運算 IFT(FT * FT) ),速度來的更快。


資料來源

[編輯]
  • Jian-Jiun Ding, Time frequency analysis and wavelet transform class note, the Department of Electrical Engineering, National Taiwan University (NTU), Taipei, Taiwan, 2019.