短时傅里叶变换STFT时频分析

CH-02-07-015·约 18 分钟·数学与统计基础·更新 2026-08-10

想象你是一位乐评人，受邀去山顶观看一场露天演唱会。你离舞台很远，手里只有一台老式相机，一次曝光只能拍一张照片。演出开始，你按下快门——这张“长曝光合影”里，所有乐手的动作都糊成一片光影：你能看出有人在弹吉他、有人在打鼓，却完全说不清“鼓手在3分20秒敲响的那一下重音”发生在什么时候。这正是传统傅里叶变换的困境：它把整段信号当作一张合影，告诉你“信号里有哪些频率”，却把“频率在什么时候出现”的信息全部抹平。而真实的音乐是流动的——吉他solo在2分钟切入，鼓点在第3分钟加速，人声在副歌才爆发。这类“频率随时间变化”的信号叫非平稳信号，靠一张合影远远不够。短时傅里叶变换（STFT）的解法朴素而巧妙：既然一张全景照看不出来，那就把镜头（窗函数）缩小、沿时间轴滑动，一段一段地拍。每个镜头拍下“这一小段时间里有哪些频率”，最后把所有片段按时间拼成一幅“声部图”——这就是时频图（谱图）。于是，你既有了乐队全貌，又能精确指出“哪个乐器在哪个时刻登场”。当然，镜头是有代价的：拉近（窄窗），看得清瞬间细节却看不清全乐队；拉远（宽窗），看清了所有乐器却说不准确切时刻。变焦与视野不可兼得，这就是测不准原理。小波变换则像一款聪明的自动变焦镜头，弥补了这一遗憾。

岗位关联

掌握STFT是语音识别、声学监测、振动诊断等AI音频应用的基石，也是理解卷积、注意力等现代信号处理思想的一把钥匙。

可视化演示
时变信号需求
核心原理
窗函数设计
时频分辨率
谱图实现
工程调优
小波对比
典型应用
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示STFT通过滑动窗函数对信号进行局部频谱分析的过程，对比窄窗与宽窗的时频分辨率权衡（测不准原理），以及频谱图的生成。切换步骤查看各阶段。

本节配有交互动效（进入视口后自动加载，约 3KB）。

滑动窗口截取信号 STFT核心：将信号x(t)乘以滑动窗函数w(t-τ)，对加窗片段做FFT得到X(τ,ω)，窗函数沿时间轴滑动产生时变频谱常用窗函数：矩形窗（频谱泄漏严重）、汉明窗（主瓣宽但旁瓣低）、汉宁窗（主瓣适中旁瓣低）、高斯窗（时频最优但计算量大） X(τ,ω) = ∫ x(t)·w(t-τ)·e^{-jωt} dt 滑动窗是STFT的核心机制

时变信号需求

假设你只被允许给整场演唱会拍一张照片。快门持续90分钟，所有动作在底片上重叠。洗出照片后，你能确认“这场演出有电吉他、架子鼓、键盘”，却无论如何也说不清“主唱那句高音是第几首歌里的”。因为这张照片把所有时间的信息叠加在了一起——这正是傅里叶变换给我们的“全景合影”。

真实信号很少是“静止不动的”。语音里，你说“你好”和“再见”时的音调不同；机械振动中，轴承刚损坏时的冲击声和正常运转的平稳嗡鸣不同；脑电波里，清醒与睡眠的信号形态迥异。这类“统计特性随时间变化”的信号叫非平稳信号。对它们，傅里叶变换这种“全时段曝光”会丢失“何时发生”这一维度。

数学上，傅里叶变换把信号分解为各个频率成分的叠加：

这里的积分从负无穷积到正无穷，等于是把过去、现在、未来所有时间点上的贡献混在一起再平均，频率成分出现的时间信息被积分运算“洗掉”了。于是，我们迫切需要一种能保留时间坐标的分析方法——这便是STFT出生的理由。

回到演唱会——既然一张全景合影不够，我们就要学会“分段拍摄、逐帧观察”。接下来要介绍的窗口，就是乐评人手中那台可以调整取景范围的望远镜。

\displaystyle X(f)=\int_{-\infty}^{\infty} x(t) e^{-j 2\pi f t} \, dt

X(f)变换结果，表示频率f处成分的大小（复数），相当于合影里“某个乐器的总体音量”。
$X(f)$
x(t)时域信号，如一段语音波形、一段振动波形，随时间t起伏变化。
$x(t)$
积分∫对全部时间求和，把不同时刻的值叠加起来，这是丢失时间信息的“元凶”。
$\int_{-\infty}^{\infty} (\cdot) \, dt$
e^(-j2πft)复指数旋转因子，像以频率f为基准的“筛子”，从信号中挑出频率f的分量。
$e^{-j 2\pi f t}$

核心原理

聪明乐评人不再拍90分钟长曝光，而是举起望远镜，把镜头对准舞台的某个区域，先拍“0到2秒”，再拍到“2到4秒”，一路平移过去。每一段取景框里，画面足够短、足够“局部”，近似安静稳定——于是局部画面里乐手位置（频率成分）可以清楚地辨认。

这就是STFT的思想：先用一个窗函数 w(τ-t) 截取信号的一小段，把窗内信号近似当作平稳信号做傅里叶变换；再把窗沿时间轴平移，得到一系列“局部频谱”，拼成时间-频率二维图谱。窗函数在窗内取值明显、窗外趋近于0，像一个可移动的“取景框”。

其数学定义为：

这里t是窗的中心时刻，f是频率，τ是积分变量。固定t看，它就是窗内信号的傅里叶变换；固定f看，它反映该频率成分在不同时刻的强弱。

望远镜每扫过一个位置，就留下一条“局部声部记录”。把所有记录按时间顺序排列，就成了时频图。但取景框的形状（窗的类型）和宽度（窗长）会深刻影响看到的内容——这正是下一节的内容。

\displaystyle X(t,f)=\int_{-\infty}^{\infty} x(\tau)\, w(\tau-t)\, e^{-j 2\pi f \tau}\, d\tau

X(t,f)结果是一个二维函数，横轴时间、纵轴频率，对应时频图上的一点。
$X(t,f)$
x(τ)原始信号，随积分变量τ变化，是“整场演唱会”的音轨。
$x(\tau)$
w(τ-t)窗函数，中心位于t处；只有τ在t附近时取值明显，实现“只取景这一小段”。
$w(\tau-t)$
e^(-j2πfτ)旋转因子，用于计算窗内信号含有频率f的分量大小。
$e^{-j 2\pi f \tau}$
积分在窗函数约束下对τ求和，结果同时带有时间t和频率f两个属性。
$\int_{-\infty}^{\infty} (\cdot) \, d\tau$

窗函数设计

望远镜的镜头有不同品质：劣质镜头边缘模糊、有炫光，优质镜头镀膜平滑、画面干净。窗函数也有“镀膜”，也就是窗的形状。理想的窗应该像一扇干干净净的取景框——可现实中突然“切断”信号会产生频谱泄漏：能量从真实频率“漏”到其他频率，像炫光污染了整张照片。

常见窗函数就像不同规格的镜头。矩形窗是最简陋的“毛玻璃”，陡峭切开却没有平滑过渡，旁瓣高、泄漏大；汉宁窗与海明窗（Hamming）是最常用的“通用镜头”，边缘平滑降权，旁瓣小、主瓣稍宽；高斯窗则像柔焦镜头，平滑但主瓣更宽。所谓“主瓣”，是窗函数频谱中央那根粗大的“能量柱”；“旁瓣”是主瓣两侧残余的小抖动，旁瓣越高，泄漏越明显。

以Hamming窗为例：

其中n是窗内样本序号，N是窗长（样本数）。它在两端权重约为0.08（不会归零），既保留了中部信号，又抑制了两端突变造成的泄漏。

镜头镀膜再好也不能违背物理：窗的形状只决定“画面干净程度”（旁瓣与泄漏），无法决定“看得多清楚”——清晰度由镜头倍数（窗长）决定，这就是下一节的分辨率跷跷板。

\displaystyle w[n]=0.54-0.46\cos\left(\frac{2\pi n}{N-1}\right),\quad 0\le n\le N-1

w[n]第n个样本的窗权重，越靠近窗中心权重越大，像镜头中心最通透。
$w[n]$
0.54与0.46两个常数；0.54-0.46=0.08，保证两端权重不为零，避免信息被完全截断。
$0.54-0.46=0.08$
cos(2πn/(N-1))余弦项在0到2π间变化，使权重从两端到中心平滑过渡。
$\cos\left(\frac{2\pi n}{N-1}\right)$
N-1窗长归一化因子，保证第0个与第N-1个样本恰好对应余弦的0与2π。
$0 \le n \le N-1$

时频分辨率

望远镜的法则朴素：倍数越大，看单个点越清楚，视野却越窄；倍数越小，视野越宽，单点越模糊。窗长扮演同样的角色——取景框越窄，能捕捉的时刻越精确（时间分辨率高），但框内只装得下很少的信号周期，频率细节被拉糊（频率分辨率低）；取景框越宽，能看到更完整的波形周期，频率分辨得清，却说不准某个音符精确出现在哪个瞬间。

这不是工程瑕疵，而是数学铁律——测不准原理（时间-带宽积约束）：

其中Δt是窗函数的时间宽度（时间不确定度），Δf是对应的频谱展宽（带宽）。它告诉我们：时频分辨率的乘积存在下界，任何窗都无法把Δt和Δf同时压到任意小。

所以：窄窗=Δt小、Δf大；宽窗=Δt大、Δf小。这与直觉完全一致——若只截取0.01秒信号，几乎看不出它是什么频率；若截取1秒，能精确分辨频率，但这一秒内频率若已变化多次，时间定位就含糊了。选择窗长，本质上是选择“你看重时刻还是看重音高”。STFT的局限在于：选定一个倍数后整场演唱会都不能变——这正是后文小波变换要解决的问题。

\displaystyle \Delta t \cdot \Delta f \ge \frac{1}{4\pi}

Δt时间分辨率，用窗函数时间宽度的标准差度量，反映对时刻定位的精细程度。
$\Delta t$
Δf频率分辨率，对应窗函数频谱的带宽，反映对两个相近频率的辨别能力。
$\Delta f$
乘积Δt·Δf两者相乘，像跷跷板两端的重量，一边升高另一边必然降低。
$\Delta t \cdot \Delta f$
≥ 1/(4π)乘积的最小值，是信号的固有约束，与窗的种类无关。
$\frac{1}{4\pi}$

谱图实现

有了取景框和滑动方法，乐评人正式开工：每滑动一小步，就记录一行“局部声部概要”，最终把整份记录拼成一张“演出时间表”。这张表在信号处理里叫谱图（Spectrogram），即STFT幅值的平方。

在数字世界里，信号是离散采样点。把信号分成若干帧，每帧长度N（窗长），帧与帧之间允许重叠，帧移为R个样本，对每一帧做快速傅里叶变换（FFT），得到离散STFT：

m是帧序号，k是频率索引。谱图即其幅度平方：

这张时间表上一行行、一列列都是“哪一秒、什么频率、多大能量”。实际使用时，乐评人会故意让相邻取景有重叠（重叠分帧），保证不漏掉发生在帧缝间的细节——这就是工程实现上的重要技巧。

\displaystyle X[m,k]=\sum_{n=0}^{N-1} x[n]\, w[n-mR]\, e^{-j 2\pi kn/N}

\displaystyle S[m,k]=|X[m,k]|^2

X[m,k]第m帧、第k个频率格的STFT值，仍是复数，含幅度与相位。
$X[m,k]$
x[n]离散信号的第n个采样点，即“演唱会音轨”的数字版本。
$x[n]$
w[n-mR]窗函数平移mR个样本，第m帧用它截取信号，相当于取景框滑到第m个位置。
$w[n-mR]$
R帧移（hop size），相邻两帧起点相差R个样本；当R<N时帧间有重叠，避免关键信息落在帧边界被切丢。
$R < N$
e^(-j2πkn/N)离散旋转因子，N是FFT长度，k对应第k条频率格。
$e^{-j 2\pi kn/N}$
S[m,k]=|X[m,k]|²谱图取幅度平方，丢掉相位，能量画成热力图就是时频图。
$S[m,k]=|X[m,k]|^2$

工程调优

同样是拍演唱会，不同机位、不同焦距会得到不同风格的照片。STFT工程调优就是选“机位和焦距”：窗长、重叠率、FFT点数这些参数决定了时频图的质量和计算成本。

频率分辨率由采样率fs与窗长N决定：

窗长N个样本对应时长 N/f_s 秒，时间分辨率大致等于窗长。由此得到实用经验：想分辨相差Δf的两个频率，窗长至少取 f_s/Δf 个样本；处理语音时窗长常取20~40ms（在16kHz采样下对应320~640个样本），兼顾清浊音分辨与音素时长。

重叠率是另一个旋钮：窗移R越小重叠越多，时频图在时间轴上越顺滑，但计算量上升，典型做法是50%~75%重叠（R=N/2或N/4）。计算上，总帧数约等于信号时长乘以采样率再除以R，每帧FFT复杂度为O(N log N)，总体复杂度约为 O(M·N log N)，工程上可用缓存复用滑动窗口数据来提速。选参数的哲学是“先锁分辨需求，再算窗长，最后定重叠”——乐评人不会一上来就乱调倍数，他会先问：我要听清的是鼓点时刻，还是和弦音高？

\displaystyle \Delta f=\frac{f_s}{N}

f_s采样率，即每秒采样的个数，单位通常为Hz。采样率决定能分析的频率上限（奈奎斯特频率为fs/2）。
$f_s$
N窗长（样本数），也是FFT可用的点数，相当于望远镜的“倍数”。
$N$
Δf=fs/N频率分辨率公式——窗越长，能分辨的频率间隔越小，频率越“细”。
$\Delta f = \frac{f_s}{N}$
时间分辨率≈N/fs相邻可区分时刻的间隔就是窗长本身，窗越长时间越“糊”。
$\Delta t \approx \frac{N}{f_s}$

小波对比

乐评人始终被一个问题困扰：演唱会既有飞快的鼓点，又有绵长的弦乐铺底。给望远镜定了倍数，要么看清鼓点看不清弦乐全貌，要么反之。于是出现了“自动变焦镜头”——小波变换。

小波变换不再用固定长度的窗，而是让“窗”随频率自动伸缩：高频段用小窗（时间精度高），低频段用大窗（频率精度高）。这样整场演出，鼓点与弦乐都能得到合适的“焦距”：

其中a是尺度（缩放因子，类似焦距），b是平移量（类似时间位置），ψ是小波基函数。

小波因此在多尺度分析上优于STFT：STFT在所有频率上用同样长的窗，而小波对高频细节敏感、对低频整体清晰，接近人耳的对数式频率感知。代价是小波实现更复杂、基函数选择需要经验。STFT并没有被淘汰——固定窗在许多场景反而是优点（计算规则、易于并行、物理可解释），小波则在非平稳瞬态检测中表现更佳。对乐评人来说，望远镜和自动变焦镜头各有用途，关键在选对工具。

\displaystyle W(a,b)=\frac{1}{\sqrt{a}}\int_{-\infty}^{\infty} x(t)\, \psi^*\left(\frac{t-b}{a}\right)\, dt

a尺度因子，a小对应高频、等效窗窄；a大对应低频、等效窗宽——这是“自动变焦”的关键。
$a$
b平移因子，决定小波对准信号的哪个时刻，相当于取景框的位置。
$b$
ψ\*((t-b)/a)小波基函数的复共轭，相当于一个可伸缩的带通滤波器模板。
$\psi^*\left(\frac{t-b}{a}\right)$
1/√a归一化系数，保证不同尺度下小波的能量一致，避免高频段能量被放大失真。
$\frac{1}{\sqrt{a}}$

典型应用

检票、入场，乐评人回到工作台，发现STFT已是多个行业的“标准工作流”。几乎所有“声音、振动、生理信号”分析的第一步，都是先把信号搬上时频图。

语音领域：语音是典型的短时平稳信号——几毫秒内声带振动相对稳定，所以把语音切成20~40ms帧做STFT，取谱图（或梅尔谱）作为特征，这是语音识别、声纹认证、唤醒词检测的前端标准做法。谱图中横轴是时间、纵轴是频率、颜色深浅代表能量，这一二维矩阵可以直接作为深度神经网络的输入。

工业领域，旋转机械（电机、轴承）的振动信号用STFT做出谱图，故障冲击表现为时频图中突然出现的亮条纹。为量化诊断，常计算故障频带能量比：

当轴承出现裂纹时，高频冲击频带的能量占比会明显上升，工程师据此设定报警阈值实现自动预警。生物医学中，脑电（EEG）的癫痫发作表现为特定频段的尖棘波，医生通过长时程STFT谱图定位发作时刻；此外还有雷达回波、地震波、电力谐波监测等应用。从山顶的望远镜到实验室的谱图，STFT把“何时”与“何频”这对原本互相矛盾的信息，以最直观的方式并排在了同一张图上——理解它，就拿到了通往一切时变信号分析领域的钥匙。

\displaystyle R_B = \frac{\sum_{k\in B} |X[m,k]|^2}{\sum_{k} |X[m,k]|^2}

R_B频带能量比，表示“故障频带B”内的能量占全频带总能量的比例，是故障诊断的量化指标。
$R_B$
分子Σ|X[m,k]|²把频率索引k限定在故障特征频带B内求和，得到该频带的能量。
$\sum_{k\in B} |X[m,k]|^2$
分母Σ|X[m,k]|²对所有频率格的谱图能量求和，得到该帧总能量，用于归一化。
$\sum_{k} |X[m,k]|^2$

AI 应用场景

语音助手的唤醒词检测

阶段：特征工程与前端信号处理

解决的问题：传统做法直接对整段音频做全局分类，受背景噪声、说话人差异影响很大；STFT先把原始波形转成谱图，把“频率随时间的变化”变成二维图像，深度模型可以在时间与频率两个维度上同时学习唤醒词的模式，鲁棒性大幅提升。

具体案例：智能音箱在嘈杂客厅中识别“小爱同学”。系统以16kHz采样，25ms窗长、10ms帧移计算STFT谱图，再把谱图送入轻量级卷积网络，在低算力芯片上实现实时的关键词检测与误触发抑制。

工业旋转机械故障诊断

阶段：数据分析与特征提取

解决的问题：传统人工听诊或只看振动总能量，难以捕捉早期微弱故障特征；STFT时频图把轴承冲击、齿轮磨损的瞬态特征直观呈现，配合深度学习分类模型可以提前数周预警故障。

具体案例：风电齿轮箱振动传感器每分钟采集数十万点数据，正常运行与齿面磨损两种状态的STFT谱图在故障频带的能量分布上差异明显，模型对早期故障的识别准确率从传统方法的72%提升到95%以上。

脑电癫痫发作自动检测

阶段：医学信号特征提取与建模

解决的问题：医生人工浏览整夜脑电记录耗时且易疲劳；STFT把多通道EEG转为谱图序列，模型自动标记癫痫棘波发作时段，显著减轻医生负担。

具体案例：某医院ICU用32导联脑电监测昏迷患者，系统每秒生成一张STFT谱图，结合CNN与LSTM的混合模型对发作时段的检测灵敏度达到95%以上，并自动触发报警。

Python 演示

python31 行

import numpy as npimport matplotlib.pyplot as plt def stft(x, fs, win_size=256, hop=128):    # 分帧加窗并做FFT, 返回谱图矩阵    win = np.hanning(win_size)    n_frames = 1 + (len(x) - win_size) // hop    frames = np.zeros((n_frames, win_size // 2 + 1))    for m in range(n_frames):        seg = x[m * hop:m * hop + win_size] * win        frames[m] = np.abs(np.fft.rfft(seg)) ** 2    freqs = np.fft.rfftfreq(win_size, 1.0 / fs)    times = np.arange(n_frames) * hop / fs    return times, freqs, frames def main():    fs = 8000.0    t = np.arange(int(fs * 2)) / fs    # 线性调频: 瞬时频率从400Hz扫到2000Hz    x = np.sin(2 * np.pi * (400.0 * t + 400.0 * t * t))    times, freqs, spec = stft(x, fs, 256, 128)    plt.pcolormesh(times, freqs, 10 * np.log10(spec + 1e-8), shading='auto')    plt.colorbar(label='energy(dB)')    plt.xlabel('time(sec)')    plt.ylabel('frequency(Hz)')    plt.title('STFT spectrogram of chirp')    plt.tight_layout()    plt.show() if __name__ == '__main__':    main()

目的：生成一段频率随时间线性升高的调频信号，用STFT分帧加窗计算谱图并可视化，重现“滑动望远镜看演唱会”的完整流程。

win = np.hanning(win_size)生成汉宁窗，相当于给镜头镀膜，抑制频谱泄漏。
seg = x[m * hop:m * hop + win_size] * win第m帧：按帧移hop截取一窗信号，再乘窗权重。
frames[m] = np.abs(np.fft.rfft(seg)) ** 2对该帧做FFT再取幅度平方，得到谱图的一行。
freqs = np.fft.rfftfreq(win_size, 1.0 / fs)生成频率轴坐标。
x = np.sin(2 * np.pi * (400.0 * t + 400.0 * t * t))构造线性调频信号，瞬时频率随t从400Hz线性升到2000Hz。
plt.pcolormesh(times, freqs, 10 * np.log10(spec + 1e-8))将谱图以dB为单位画成热力图，颜色越亮能量越强。

常见误区

误区我觉得STFT里窗函数越长包含的信号越多，频谱当然越准确，所以无脑把窗调大准没错。

正解窗长增加确实提高频率分辨率（Δf=fs/N变小），但时间分辨率随之变差（约等于窗长）。对非平稳信号，窗太长会把多种状态混进同一帧，时间信息被平均，谱图在时间轴上“糊成一片”。窗长是跷跷板，没有绝对最优，取决于分析对象——就像望远镜倍数太高就看不见全舞台。

为何常见：受功率谱密度估计“数据越多方差越小”经验的影响，忽略了STFT同时要保留时间维度的诉求。

误区高斯窗看起来主瓣又窄又平滑，应该能同时获得高时间精度和高频率精度吧？

正解测不准原理给出Δt·Δf ≥ 1/(4π)的硬性下界，与窗类型无关。窗函数只负责在“乘积固定”的前提下重新分配份额——压低旁瓣会增加主瓣宽度，矩形窗主瓣最窄但旁瓣最高。任何窗都无法让Δt与Δf同时趋于0，就像换再贵的镜头也不能同时拥有超长焦和超广角。

为何常见：对比不同窗函数时看到旁瓣、主瓣各有差异，误以为存在某种“全能窗”能打破物理极限。

误区谱图画出来之后，我按一下放大，应该能看到更精细的时频结构，就像放大一张数码照片。

正解谱图的时频分辨率单元（resolution cell）在计算时就已由窗长固定，网格大小约为Δt×Δf。放大只是像素插值，不会产生测量意义上的新信息。想改变分辨率，必须回到窗长、重叠率等参数层重新计算STFT。

为何常见：数字图像放大给人“越放大越清晰”的错觉，而信号处理中的模糊是物理性的，不是显示分辨率问题。

误区窗越窄，研究的信号越“精细”，所以频率分辨率应该越高才对。

正解恰恰相反。窄窗内只有很少的波形周期，频谱主瓣很宽，频率分辨能力差；宽窗装进更多波峰波谷，频谱主瓣窄，才能区分两个靠近的频率。时间与频率分辨率在窗长这个参数上此消彼长——“精细”若指时间定位，窄窗确实精细；若指频率辨别，窄窗反而最差。

为何常见：“细节/精细”在口语中既形容时间又形容频率，概念混用导致因果倒置。

面试题

Q1. STFT的核心思想是什么？

单选题 · easy

A.对整个信号做全局傅里叶变换
B.用窗截取局部再做傅里叶变换← 正确答案
C.只对窗函数做傅里叶变换
D.对信号做小波多尺度分解

答案：B。STFT用窗函数截取信号局部，再对每一段做傅里叶变换，相当于“滑动取景框逐帧拍摄”。A是普通傅里叶变换，C颠倒了分析对象，D是小波变换的思路，均不符合定义。

Q2. 窗函数变窄时，STFT的时频分辨率如何变化？

单选题 · easy

A.时间分辨率提高频率降低← 正确答案
B.时间降低而频率分辨率提高
C.两者同时得到明显提高
D.两者同时明显降低

答案：A。窗窄则Δt小，时间定位准；但窗内周期数少，频谱主瓣宽、Δf大，频率分辨率低。这正像望远镜倍数高时看得准时刻却看不清全频段，故选A。

Q3. 关于测不准原理，下列哪项描述正确？

单选题 · mid

A.时间与频率分辨率可同时任意小
B.时间与频率分辨率存在乘积下界← 正确答案
C.时间与频率分辨率完全不受限制
D.分辨率只由采样率高低决定

答案：B。测不准原理指出Δt·Δf ≥ 1/(4π)，两者乘积存在硬性下界，无法同时任意小。A、C与该结论矛盾，D忽略了窗长与信号本身的约束，故选B。

Q4. Hamming窗的主要作用是什么？

单选题 · mid

A.提高信号的时间分辨率
B.降低频率泄漏抑制旁瓣← 正确答案
C.显著降低算法计算量
D.直接放大信号的幅值

答案：B。Hamming窗以两端平滑降权压低旁瓣，从而抑制频谱泄漏，如同镜头镀膜改善画面纯净度。它不改变窗长决定的时间分辨率，也不降低复杂度，故选B。

Q5. 谱图（Spectrogram）的数学定义是什么？

单选题 · mid

A.谱图等于取信号的实部
B.谱图等于取信号的虚部
C.谱图等于频谱幅值平方← 正确答案
D.谱图等于频谱的幅值本身

答案：C。谱图定义为STFT幅度平方S=|X|²，能量量纲。A、B取了复数的实部与虚部，D取幅度一次方，都与定义不符，故选C。

Q6. 对STFT进行重叠分帧的主要目的是什么？

单选题 · mid

A.可以明显降低算法开销
B.平滑帧间跳变避免丢信息← 正确答案
C.突破频率分辨率理论上限
D.消除窗函数全部不利影响

答案：B。重叠分帧让相邻帧共享部分采样点，避免关键瞬态恰好落在帧边界被切丢，同时使谱图时间轴更平滑。它不降计算量、不突破测不准原理，也无法消除窗函数的全部影响，故选B。

Q7. 处理语音信号时，STFT帧长一般取多少合适？

单选题 · hard

A.语音帧长一般取二十至四十毫秒← 正确答案
B.语音帧长一般取一至五毫秒
C.语音帧长一般取一秒以上
D.语音帧长越长分析效果越好

答案：A。语音具有短时平稳性，在10~50ms内声带振动相对稳定，20~40ms窗长兼顾音素分辨与帧内平稳假设。1~5ms频率分辨率太差，1s以上违背平稳假设，故选A。

Q8. 与STFT相比，小波变换的优势包括哪些？

多选题 · mid

A.支持多尺度时频分析← 正确答案
B.高频段时间定位自适应增强← 正确答案
C.一般使用固定的窗长
D.兼顾高频时间与低频频率定位← 正确答案

答案：ABD。小波通过尺度因子a伸缩基函数，高频用窄窗、低频用宽窗，天然支持多尺度并兼顾高频时间定位与低频频率定位。C“固定窗长”恰恰是STFT的特征而非小波优势，故选A、B、D。

Q9. 关于STFT工程实现，下列说法正确的有哪些？

多选题 · hard

A.频率分辨率等于采样率除以帧长← 正确答案
B.增大重叠率可以细化时间粒度← 正确答案
C.窗长越大时间分辨率越高
D.快速傅里叶变换复杂度接近线性对数← 正确答案

答案：ABD。Δf=fs/N正确；重叠率提高使帧移R变小，时间轴更细，正确；FFT复杂度O(N log N)，正确。C说反了，窗长越大时间分辨率越低，故选A、B、D。

Q10. 下列哪些属于STFT的典型应用场景？

多选题 · easy

A.语音识别前端的频谱特征提取← 正确答案
B.旋转机械滚动轴承的故障诊断← 正确答案
C.脑电癫痫发作的自动检测← 正确答案
D.互联网数据加密算法的设计

答案：ABC。语音识别用STFT谱图作为特征前端，轴承故障诊断用时频图定位冲击条纹，脑电分析用谱图标记棘波时段，均为典型应用。D加密算法属于密码学，与信号时频分析无关，故选A、B、C。