倒譜分析可檢測頻譜中的重複模式，使其對區分多個故障非常有用，該故障在不同的主要頻譜（即fft、階次、包絡和增強頻譜）中很難看到。
最重要的行業應用與機械診斷相關，如齒輪箱分析，以及其他應用，如：
1 回聲檢測和去除
2 以及語音分析
在以下**中：
使用倒譜做如下用途：
1 機器診斷--監測齒輪箱和滾動軸承振動
2 齒輪箱測試--早期檢測齒輪故障
3 軸承故障檢測
4 回聲檢測和去除
5 語音分析
該**中，提到的倒譜功能還有
1 識別出故障的齒輪和滾動軸承
2 檢測重複模式
3 檢測週期性及其頻率間隔
4 分離諧波系
倒頻譜是頻譜對數的快速傅利葉變換。因此，它是乙個頻譜的頻譜，其特性使其在許多態別的訊號分析中非常有用。
其更加強大的特性之一是，頻譜中的任何週期或重複模式將被識別為倒頻譜中的乙個或兩個特定分量。
如果頻譜中包含幾個邊帶集或諧波系，它可能會因為重疊而出現混亂。但是在倒頻譜中，它們將以類似於頻譜分離波形中週期訊號的方式被分離。對於齒輪箱和軸承振動，倒譜分析是很好的選擇。
語音分析
倒頻譜分析是檢測頻譜週期性的工具，主要用於語音分析以確定音調和相關問題。這裡，頻譜中的週期性由基本語音頻率的許多諧波給定。倒頻譜分析還可檢測到的另一種週期性型別均勻分布在乙個多個載波頻率周圍的邊帶。
倒頻譜定義為對數功率譜的功率譜（即，db幅度形式），從而與自相關函式相關，這可通過線性座標的功率譜的逆傅利葉變換獲取。在某些情況下，可通過兩種不同的方式解釋使用倒頻譜而不是自相關函式的優勢。在邊帶中，這意味著憑藉對數變換，更多權重被分配給低階值成分，這在主要需要確認週期性的存在時非常有利，同時可精確確定其頻率間隔。在語音分析等其他應用中，該優勢在於頻譜的倍增關係（例如，通過傳遞函式）在經過對數運算後更加顯著，同時進一步的傅利葉變換也保持該遞增效應，從而消除可能出現的卷積（或「拖尾效應」）。
在維基百科中對倒頻譜的解釋：
倒譜的一般求法是，首先求取fft，然後取log對數，再進行逆傅利葉變換
又見書本，語音頻號處理，第89頁，倒譜法，對於倒譜圖（具體參考書本中的圖），靠近原點的低頻部分是頻譜包絡的變換，而位於t0處的窄峰為諧波峰值的變換，表示基音。基音峰值的變換與頻譜包絡之間的間隔總是足夠大，從而能夠對前者很容易的識別。
//倒譜的求法
//1 求fft
if (!m_fft.dofft(m_fftdata, fft_length, false))
//2 求能量譜
for(int i=0;i
complexifftdata[fft_length];
//將對數能量作為復訊號的實數部分
for(int i=0;i//3 求逆傅利葉變換
if (!m_fft.dofft(ifftdata, fft_length, true))
int i_fft_power[fft_length];
//求逆傅利葉變換的能量譜
for (int i=0;i 梅爾頻率倒譜是倒譜的一種應用，梅爾倒譜常應用在聲音頻號處理，對於聲音頻號處理比倒譜更接近人耳對聲音的分析特性，而梅爾頻率倒譜與倒譜的差別在於 1 梅爾頻率倒譜的頻帶分析是根據人耳聽覺特性所設計，人耳對於頻率的分辨能力，是由頻率的比值決定，也就是說，人耳對200hz和300hz之間的差別與2000hz... 短時處理中語音頻號可以被認為是由線性時不變系統的輸出，即由語音頻號是由聲門的激勵訊號和聲道衝激響應的卷積而形成的。往往需要從語音頻號中求解聲門激勵和聲道響應。比如為了求得語音頻號的共振峰，就要知道聲道傳遞函式，因為共振峰就是聲道傳遞函式的復共軛極點的頻率，又比如為了判斷語音頻號是清音還是濁音，以及濁... 讀研期間，常常用到倒譜這一引數，後來工作了主要專注於audio speech codec,倒譜概念反而用得少，今天在看一 時看到這些文字，覺得很實用就在些複習一下這訊號特性。在提取由於載波傳遞的訊號特性時，用time cepstrum 分析會非常有效，能把相關的特性給提取出來。cepstrum 在語...倒譜與梅爾倒譜的區別
MATLAB實現倒譜分析
Cepstrum 倒譜複習