Оконное преобразование Фурье

Материал из MachineLearning.

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 1 Математическое определение 2 Роль STFT в машинном обучении 2.1 Извлечение признаков 2.2 Преобразование в изображения для глубокого обучения 2.3 Повышение эффективности рекуррентных сетей 2.4 Обучаемое представление 2.5 Аугментация данных и интерпретируемость 3 Применение в конкретных задачах машинного обучения 4 Выбор оконной функции и параметров 5 Сравнение с альтернативными преобразованиями 6 Заключение 7 См. также 8 Примечания 9 Литература

Математическое определение

Пусть — анализируемый сигнал, а — 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]:

где:

• — параметр сдвига окна, определяющий его положение на временной оси;
• — угловая частота;
• — оконная функция, сдвинутая в точку .

Для дискретных сигналов , , используется дискретное оконное преобразование Фурье (ДОПФ)^[1]:

где — индекс частоты, — индекс сдвига окна.

Спектрограмма — это квадрат модуля оконного преобразования Фурье:

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 и её параметров критически влияет на качество обучения модели. Согласно принципу неопределённости Гейзенберга, произведение эффективной длительности окна и эффективной ширины его спектра ограничено снизу:

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

• Преобразование Фурье
• Дискретное преобразование Фурье
• Вейвлет-преобразование
• Преобразование Габора
• Спектрограмма
• Оконная функция
• Свёрточная нейронная сеть
• Рекуррентная нейронная сеть
• Анализ временных рядов

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.