对于传统的信号处理，时间和频率是双变量，通过傅里叶变换联系起来。这种强大的联系产生了一种平衡，有时称为海森堡-泡利-外尔不确定性不等式。用日常的话来说，时间定位和频率确定是不能任意精确的。无法确定单个样本的频率。

然而，在音频中，有意义的信息通常由时间块或样本集合携带。因此，人们经常在那些连续或重叠的时间块上执行类似傅里叶的变换。他们获得有关频率内容如何随时间演变的信息。因此开发了许多特定的方法，称为时频分析，为我们提供有用的算法工具来执行此类分析。它们数量众多：过采样滤波器组、频谱图、Wigner-Ville、Choi-Williams、重新分配版本、S 变换、小波等。

在教程：Time-Frequency Toolbox For Use with MATLAB（150 页，不少于）中，有很多比较。在分段规则信号（正弦然后音调和线性啁啾）上，它们提供以下比较图，您可以根据您的目的重现：

有人在音频中使用它们有几个原因：分析静止部分，检测某些频率或谐波的开始，检测可听信息。例如，这些技术是 mp3 音频压缩的核心。

我记得了解希尔伯特变换 (HT) 和“瞬时频率”让我大开眼界。

我会向经验丰富的工程师询问“瞬时频率”，他们会说这是不可能的。但随后他们会同意随着时间的推移改变频率是 FM 收音机的核心。

经验模态分解 (EMD) 将复杂信号分解为 N 个单独的模式，然后对单独的信号运行 HT。

用法：想象一个摆动的弹簧质量。弹簧刚度 k，阻尼 c。但是 k 随扩展而变化，或 c 随方向变化。分析瞬时频率变化有助于确定 k 或 c 如何变化。

但是频谱图是一种更容易应用和快速使用的方法。只是它创建了一个完整的数组，而 EMD 创建了单独的时间历史。

如果您在很长一段时间内收集了信号，并且您想研究其频谱随时间的变化。您绘制信号的频谱图。这使您可以衡量信号的频率内容随时间的变化而变化。因此，您可以将幅度绘制为颜色强度，y 轴为频率，x 轴为时间，以可视化频谱如何随时间变化，如下面的示例图：

图片提供：https ://in.mathworks.com/help/signal/ref/spectrogram.html