Оконное преобразование Фурье

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: '''Оконное преобразование Фурье''' (англ. ''windowed Fourier transform'', ''short-time Fourier transform'', '''STFT''') — это разновидност...)
 
Строка 1: Строка 1:
 +
{{well|Статья написана с использованием LLM '''DeepSeek-V3-0324''' и проверена участником [[Участник:Nikita Elкhin|Nikita Elкhin]] 19:29, 18 июля 2026 (MSD)}}
 +
'''Оконное преобразование Фурье''' (англ. ''windowed Fourier transform'', ''short-time Fourier transform'', '''STFT''') — это разновидность [[Преобразование Фурье|преобразования Фурье]], предназначенная для анализа [[Нестационарный сигнал|нестационарных сигналов]], спектральный состав которых изменяется во времени. В современном [[Машинное обучение|машинном обучении]] STFT выступает не только как инструмент анализа, но и как ключевой компонент пайплайнов обработки данных, позволяя эффективно представлять одномерные временные ряды в форме, пригодной для обучения моделей.
'''Оконное преобразование Фурье''' (англ. ''windowed Fourier transform'', ''short-time Fourier transform'', '''STFT''') — это разновидность [[Преобразование Фурье|преобразования Фурье]], предназначенная для анализа [[Нестационарный сигнал|нестационарных сигналов]], спектральный состав которых изменяется во времени. В современном [[Машинное обучение|машинном обучении]] STFT выступает не только как инструмент анализа, но и как ключевой компонент пайплайнов обработки данных, позволяя эффективно представлять одномерные временные ряды в форме, пригодной для обучения моделей.

Текущая версия

Статья написана с использованием LLM DeepSeek-V3-0324 и проверена участником Nikita Elкhin 19:29, 18 июля 2026 (MSD)


Оконное преобразование Фурье (англ. windowed Fourier transform, short-time Fourier transform, STFT) — это разновидность преобразования Фурье, предназначенная для анализа нестационарных сигналов, спектральный состав которых изменяется во времени. В современном машинном обучении STFT выступает не только как инструмент анализа, но и как ключевой компонент пайплайнов обработки данных, позволяя эффективно представлять одномерные временные ряды в форме, пригодной для обучения моделей.

Содержание

Математическое определение

Пусть x(t) \in L_2(\mathbb{R}) — анализируемый сигнал, а w(t) — оконная функция (весовая функция), обладающая хорошей локализацией как во временной, так и в частотной областях. Тогда непрерывное оконное преобразование Фурье (НОПФ) определяется следующим образом[1]:

X(\omega, b) = \int_{-\infty}^{\infty} x(t) \, w(t - b) \, e^{-i \omega t} \, dt,

где:

  • b \in \mathbb{R} — параметр сдвига окна, определяющий его положение на временной оси;
  • \omega \in \mathbb{R} — угловая частота;
  • w(t - b) — оконная функция, сдвинутая в точку b.

Для дискретных сигналов x[n], n = 0, 1, \dots, L - 1, используется дискретное оконное преобразование Фурье (ДОПФ)[1]:

X[k, m] = \sum_{n=0}^{L-1} x[n] \, w[n - m] \, e^{-i 2\pi k n / L},

где k — индекс частоты, m — индекс сдвига окна.

Спектрограмма — это квадрат модуля оконного преобразования Фурье:

S(\omega, b) = |X(\omega, b)|^2.

Именно спектрограмма служит основным мостом между STFT и машинным обучением, поскольку она преобразует одномерный временной сигнал в двумерное «изображение», пригодное для обработки свёрточными нейронными сетями (CNN) и другими архитектурами глубокого обучения[1].

Роль STFT в машинном обучении

Оконное преобразование Фурье выполняет в задачах машинного обучения несколько ключевых функций.

Извлечение признаков

STFT служит мощным инструментом для извлечения признаков из нестационарных сигналов. В отличие от классического преобразования Фурье, STFT сохраняет временную локальность, что критично для многих прикладных задач[1]. Получаемое частотно-временное представление может быть использовано непосредственно как вектор признаков для классических алгоритмов, таких как SVM или случайный лес[1]. Для снижения высокой размерности применяются методы сжатия, например, автокодировщики[1].

Преобразование в изображения для глубокого обучения

Наиболее распространённый способ использования STFT — преобразование одномерных рядов в спектрограммы, которые подаются на вход свёрточным нейронным сетям[1][1]. Это позволяет задействовать мощные архитектуры компьютерного зрения для извлечения иерархических частотно-временных паттернов. Такой подход даёт высокую точность в задачах классификации звуков, диагностики оборудования и биомедицинского анализа[1][1].

Повышение эффективности рекуррентных сетей

STFT позволяет обрабатывать окна отсчётов одновременно, перенося их в частотную область, где рекуррентные сети работают с пониженной тактовой частотой[1]. Это сокращает число вычислений, позволяет фильтровать шум и уменьшает размерность представления. При этом градиенты могут распространяться через STFT, что даёт возможность сквозного обучения[1].

Обучаемое представление

Традиционные параметры STFT (тип и длина окна, шаг сдвига) подбираются вручную. Однако предложена дифференцируемая формулировка STFT, которая позволяет оптимизировать эти параметры с помощью градиентного спуска совместно с весами модели[1]. Это устраняет необходимость в эвристическом подборе и повышает качество обучения.

Аугментация данных и интерпретируемость

Спектрограммы открывают новые возможности для аугментации (например, размытие в частотно-временной области[1]) и для построения интерпретаций решений моделей путём маскирования значимых областей спектрограммы.

Применение в конкретных задачах машинного обучения

STFT находит применение в широком спектре областей:

  • Промышленная диагностика — вибрационный и токовый анализ для обнаружения неисправностей электродвигателей и конструкций[1][1].
  • Биомедицина — анализ ЭЭГ, ЭКГ и фотоплетизмограмм для распознавания состояний (медитация, паника, эпилептические разряды)[1][1].
  • Аудио и речь — классификация звуков, распознавание речи и музыкальная информация, где часто используются мел-спектрограммы как вариант STFT[1].
  • Прогнозирование временных рядов — финансовые данные, энергопотребление и климатические показатели, где STFT помогает улавливать локальные периодичности[1].
  • Обработка 3D-данных — новейшие архитектуры (например, STFT-KAN) интегрируют STFT в нейронные сети для облаков точек, сокращая число параметров[1].

Выбор оконной функции и параметров

Выбор оконной функции w(t) и её параметров критически влияет на качество обучения модели. Согласно принципу неопределённости Гейзенберга, произведение эффективной длительности окна \Delta t и эффективной ширины его спектра \Delta \omega ограничено снизу:

\Delta t \cdot \Delta \omega \geq \frac{1}{2}.

Длинное окно даёт высокое частотное разрешение, но сглаживает быстрые изменения — подходит для стационарных компонент. Короткое окно даёт высокое временнóе разрешение, но снижает частотную точность — подходит для обнаружения кратковременных событий. В задачах машинного обучения оптимизация параметров часто выполняется эмпирически или с помощью дифференцируемого STFT[1]. На практике используются окна Ханна, Хэмминга и Гаусса.

Сравнение с альтернативными преобразованиями

Наряду со STFT в машинном обучении применяются:

  • Вейвлет-преобразование — обеспечивает переменное разрешение по частоте и времени, но сложнее в настройке;
  • Constant-Q Transform (CQT) — логарифмическая частотная шкала, полезна для музыки;
  • Mel-спектрограммы — шкала, приближённая к восприятию человека, часто даёт лучшие результаты в аудиозадачах.

STFT остаётся наиболее распространённым выбором благодаря простоте, вычислительной эффективности и обратимости, что делает его предпочтительным во многих пайплайнах машинного обучения.

Заключение

Оконное преобразование Фурье превратилось из классического инструмента цифровой обработки сигналов в фундаментальный строительный блок современных систем машинного обучения. Его способность преобразовывать нестационарные временные ряды в информативные частотно-временные представления делает его незаменимым для извлечения признаков, классификации, прогнозирования и генерации данных. Развитие дифференцируемых и обучаемых версий STFT открывает новые перспективы для совместной оптимизации преобразования и модели, что позволяет достигать высоких результатов в широком спектре прикладных задач.

См. также

Примечания


Литература

  • Аллен Дж., Рабинер Л. Кратковременное преобразование Фурье и его применение // ТИИЭР. — 1977. — Т. 65, № 11. — С. 39–65.
  • Малла С. Вейвлеты в обработке сигналов. — М.: Мир, 2005.
  • Сергиенко А. Б. Цифровая обработка сигналов. — СПб.: Питер, 2002.
  • Cohen L. Time-Frequency Analysis. — Prentice Hall, 1995.
  • Leiber M. et al. Learnable Adaptive Time-Frequency Representation via Differentiable Short-Time Fourier Transform // arXiv:2506.21440, 2025.
  • Wolter M., Gall J., Yao A. Sequence Prediction using Spectral RNNs // arXiv:1812.05645, 2018.
Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9E%D0%BA%D0%BE%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BF%D1%80%D0%B5%D0%BE%D0%B1%D1%80%D0%B0%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%A4%D1%83%D1%80%D1%8C%D0%B5»
Личные инструменты