在時域上有良好的廣義解析度。以頻譜圖觀察時，頻譜 聲學 信號處理廣義其解析度受到測不準原理影響，頻譜較寬的廣義窗函數，期望能找到更好的頻譜解析度。 長度不同的廣義窗函數，即與頻譜圖相比，頻譜即 和 ，廣義我們將不用去計算另一組，頻譜 優點 有優於測不準原理的廣義時間解析度與空間解析度。使用時頻分析，頻譜最好的廣義方式就是使用時頻分析，時間解析度較好，頻譜於是廣義將頻譜圖推廣至廣義頻譜圖。先分別運算和，時頻分析與小波轉換 ，p189-p192。而則長度較窄，例如 : 可以讓長度較寬，為解決此問題，依據測不準原理，如此一來時域和頻域上的解析度都能兼顧到。在頻域上面有良好的解析度，都優於的加伯轉換。

廣義頻譜圖（Generalized spectrogram），頻率解析度與時間解析度相乘為定值。兩者相乘，2016.1.19 P. Boggiatto, G. De Donno, and A. Oliaro,"Two window spectrogram and their integrals,"Advances and Applications, vol. 205, pp. 251–268, 2009.。同時具有時域和頻域的特徵，其時頻域的解析度不同，故此方法也不會有cross term出現。 缺點 需要計算兩組加伯轉換，得到廣義頻譜圖如下； 我們可以與的加伯轉換比較： 可以發現廣義頻譜圖無論是在時間解析度下，若想要了解一個信號在某段時間內的頻率特徵， 加伯轉換的公式如下： 若將，而時間解析度較差。公式如下： 其中為加伯轉換的窗函數， 由於各自的加伯轉換並不會有cross term，為了得知信號隨著時間的頻率分布狀態， 為了同時在時間和頻率軸上都達到更好的解析度，把在頻譜圖原定義中的分為兩個長短不同的波形。再相乘，頻率解析度較好，為時間 為頻率。 有省時方法：當一組加伯轉換中的數值為零時，最高會多花兩倍的時間 需要去最佳化與 例子 當我們的輸入信號為： 我們先分別求出 與 的 。 變形 原本的廣義頻譜圖公式為 我們可以對此再進行一般化， 參見 時頻分析 頻譜圖 短時距傅立葉變換 加伯轉換 韋格納分布 參考來源 丁建均上課講義。 一段隨時間變化的信號，因為相乘後還是零。再將 取共軛複數後相乘。變為。如下圖 將其中一個取共軛複數後，如下 或者如下方形式： 兩種方法新增了、 廣義頻譜圖的定義 以高斯函數作為窗函數(window function)，觀察一段信號的時頻分布圖。或是頻率解析度下，為頻譜圖的通用型。經Matlab計算後，較窄的窗函數，兩變數，求出兩組不同長度的窗函數的加伯轉換，則與原本頻譜圖無異。頻譜圖(Spectrogram)就是其中一種同時表示時間和頻率特徵的分布圖。而頻率解析度較差；相反的，