FFT—傅里叶变换，可以将时域信号转为频域进行分析，所用的基函数是弦函数，且各弦函数之间是正交关系，因此比较适合处理平稳信号。对于非平稳信号处理效果就很差。类似的例子如“吉布斯现象”：当一个常数函数，其傅里叶变换是只有一个常数项；但是当该周期函数为一个阶跃函数，突变变换很快的那种，FFT变换就必须要很多频率的弦函数去进行分解；效果也不太好。另外一个缺点是：FFT变换只能得到一个频域上数据的形式，并不能分析出某时刻数据具体所在某段频率。

STFT—短时傅里叶变换，针对FFT的缺陷，有许多的方法。STFT就是其中的一种，其方法是在FFT变换的基础上，给它加一个窗函数，该窗函数的频段是我们自己知道的，因此这样就能同时从时域和频域分析该数据。但是这里存在一个问题：窗函数的选取问题。窗太窄，窗内的信号太短，会导致频率分析不够精准，频率分辨率差。窗太宽，时域上又不够精细，时间分辨率低。窗函数可类比“测不准原理”。

小波变换：通过构造小波基的形式，将原信号与小波基乘积进行分析，得到分解为多个频段上的数据，即实现了时频分析；但这仍然存在一个需要人为选取小波基函数的问题

EMD—经验模式分解，针对以上需要人为选取基函数的问题，EMD可以通过自适应的分解各IMF和一个余项，得到多个分解之后的数据，根据特征频率选取相应的IMF进行分析即可。这里每个IMF即为最小的划分单位，满足要求：极值点与零点个数相等或者相差一个，在任意截断内其上下包络的均值为0.

HHT—希尔伯特-黄变换，第一步进行EMD得到多个IMF，第二步对每个IMF进行希尔伯特变换。通过求幅值和角度求到可得到最后每个IMF的幅值谱和特征频率

Wigner-Ville分布