LombScargleMultiband

class astropy.timeseries.LombScargleMultiband(t, y, bands, dy=None, normalization='standard', nterms_base=1, nterms_band=1, reg_base=None, reg_band=1e-06, regularize_by_trace=True, center_data=True, fit_mean=True)

基类：LombScargle

计算Lomb擦伤周期图。

此实现基于中提供的代码 [1] 和 [2]; 如果您在学术应用程序中使用此功能，将不胜感激。

参数:

tNumPy：类似数组或数量 [:ref: 'time']

观察时间顺序

y : array_like 或 QuantityNumPy：类似数组或数量

与时间t相关的观察序列

bands : array_likeNumpy：ARRAY_LIKE

与时间t相关联的通带标签序列，每个唯一标签定义单个数据带。

dy : float ， array_like ，或 Quantity ，可选PYTHON：FLOAT、NUMPY：ARRAY_LIKE或QUANTITY，可选

与时间t相关的观测误差或序列

normalization{，可选'，'型号'，'日志''

用于周期图的规范化。

nterms_base : int ，可选PYTHON：int，可选

用于所有频段通用的基本模型的频率项数。在快速算法的情况下，此参数作为 nterms 参数。

nterms_band : int ，可选PYTHON：int，可选

用于基本模型和每个单独波段之间的残差的频率项数

reg_base : float 或 None (默认= None )PYTHON：FLOAT或PYTHON：NONE(默认值=PYTHON：None)

对基本模型参数使用的正则化量

reg_band : float 或 None (默认值=1E-6)PYTHON：FLOAT或PYTHON：NONE(默认值=1E-6)

对波段模型参数使用的正则化量

regularize_by_trace : bool (默认= True )布尔值(缺省值=python：true)

如果为True，则正则化以法线矩阵的迹为单位表示

center_data : bool ，可选可选的布尔

如果为True，则通过减去输入数据的加权平均值来预先居中数据。

fit_mean : bool ，可选可选的布尔

如果为True，则在每个频率处包括恒定偏移作为模型的一部分。这可以产生更准确的结果，特别是在阶段覆盖不完整的情况下。只适用于“快速”方法

工具书类

[1]

Vanderplas，J.，Connolly，A.Ivezic，Z.和Gray，A。 天体物理机器学习简介 . 智能数据理解会议（2012年）

[2]

VanderPlas，J.和Ivezic，Z。 多波段天文时间序列的周期图 . ApJ 812.1:18（2015年）

属性摘要

available_methods

方法总结

autofrequency([samples_per_peak, ...])	为数据确定合适的频率网格。
autopower([method, sb_method, ...])	在自动确定的频率下计算Lomb抖动功率。
design_matrix(frequency[, t_fit, bands_fit])	计算给定频率的设计矩阵
distribution \()	未实施
false_alarm_level \()	未实施
false_alarm_probability \()	未实施
from_timeseries(timeseries[, signal_column, ...])	从时间序列对象初始化多波段周期图。
model(t, frequency[, bands_fit])	计算给定频率下的Lomb擦伤模型。
model_parameters(frequency[, units])	计算给定频率下的最佳拟合模型参数。
offset([t_fit, bands_fit])	返回模型的偏移量数组
power(frequency[, method, sb_method, ...])	计算给定频率下的Lomb抖动功率。

属性文档

available_methods = ['fast', 'flexible']

方法文件

autofrequency(samples_per_peak=5, nyquist_factor=5, minimum_frequency=None, maximum_frequency=None, return_freq_limits=False)

为数据确定合适的频率网格。请注意，这假设峰值宽度由观测基线驱动，当基线比振荡周期大得多时，这通常是一个好的假设。如果您要搜索的时间段长于您的观察基线，则这可能不会很好地执行。即使基线很大，也要注意返回的最大频率是基于“平均奈奎斯特频率”的概念，这对于不规则采样的数据可能没有用处。可以通过NYQUIST_FACTOR参数或MAXIMUM_FREQUENCE参数调整最大频率。

参数:

samples_per_peak : float ，可选Python：Float，可选

穿过典型峰值的所需样本的近似数量

nyquist_factor : float ，可选Python：Float，可选

如果未提供最大频率，则用于选择最大频率的平均奈奎斯特频率的倍数。

minimum_frequency : float ，可选Python：Float，可选

如果指定，则使用此最小频率，而不是根据基线大小选择的频率。

maximum_frequency : float ，可选Python：Float，可选

如果指定，则使用此最大频率，而不是基于平均奈奎斯特频率选择的频率。

return_freq_limits : bool ，可选可选的布尔

如果为True，则只返回频率限制，而不是完整的频率网格。

返回:

frequencyNdarray或数量 [:ref: 'frequency']

试探法确定的最优频点

autopower(method='flexible', sb_method='auto', normalization='standard', samples_per_peak=5, nyquist_factor=5, minimum_frequency=None, maximum_frequency=None)

在自动确定的频率下计算Lomb抖动功率。

参数:

method : str ，可选Python：字符串，可选

指定要使用的多频段Lomb Scarger实现。选项包括：

• ‘灵活’：构造一个通用模型，并按个人构造一个偏移量模型

  乐队。对生成的模型应用正则化以限制复杂性。

• ‘Fast’：每个频段分别通过LombScarger(单频段)，

  在结尾处按权重合并周期图。速度取决于SB方法中选择的单波段方法。

sb_method : str ，可选Python：字符串，可选

指定要使用的单波段Lomb Scarger实现，仅在使用快速多波段方法的情况下使用。选项包括：

• “auto”：根据输入选择最佳方法

• “快速”：使用O [N对数N] 快速方法。请注意，这需要均匀分布的频率：默认情况下，将选中此选项，除非 assume_regular_frequency 设置为真。

• “慢”：使用O [N^2] 纯python实现

• “cython”：使用O [N^2] cython实现。这比method='slow'稍快，但内存效率要高得多。

• “chi2”：使用O [N^2] chi2/线性拟合实施

• “fastchi2”：使用O [N对数N] chi2实施。请注意，这需要均匀分布的频率：默认情况下，将选中此选项，除非 assume_regular_frequency 设置为真。

• “scipy”：使用 scipy.signal.lombscargle ，这是个O [N^2] 用C编写的实现。请注意，这不支持异方差错误。

normalization{，可选'，'型号'，'日志''

如果指定，则重写实例化时指定的规范化。

samples_per_peak : float ，可选Python：Float，可选

穿过典型峰值的所需样本的近似数量

nyquist_factor : float ，可选Python：Float，可选

如果未提供最大频率，则用于选择最大频率的平均奈奎斯特频率的倍数。

minimum_frequencyPython：浮点或数量 [:ref: 'frequency'] ，可选

如果指定，则使用此最小频率，而不是根据基线大小选择的频率。应该是 Quantity 如果LombScarger的输入是 Quantity 。

maximum_frequencyPython：浮点或数量 [:ref: 'frequency'] ，可选

如果指定，则使用此最大频率，而不是基于平均奈奎斯特频率选择的频率。应该是 Quantity 如果LombScarger的输入是 Quantity 。

返回:

frequency, power : ndarray恩达雷

频率和Lomb抖动功率

design_matrix(frequency, t_fit=None, bands_fit=None)

计算给定频率的设计矩阵

参数:

frequency : floatPython ：浮点

模型的频率

t_fit : array_like ， Quantity ，或 Time (可选)NumPy：类似数组、数量或时间(可选)

时间(长度 n_samples )，在该位置计算模型。如果未指定，则使用输入数据的时间和不确定性。

bands_fit : array_like ，或 strNumPy：ARRAY_LIKE或PYTHON：STR

要用于拟合的波段必须是输入数据中波段的子集。

返回:

ndarray

模型在给定频率下的设计矩阵。它的形状应该是 (len(t) ， n_parameters )。

参见

model

model_parameters

offset

distribution()

未实施

false_alarm_level()

未实施

false_alarm_probability()

未实施

classmethod from_timeseries(timeseries, signal_column=None, uncertainty_column=None, band_labels=None, **kwargs)

从时间序列对象初始化多波段周期图。

如果通过了入库的时间序列，则使用入库中心的时间。另请注意，此方法在初始化周期图时自动删除NaN/未定义的值。

参数:

signal_column : listPython ：列表

包含要使用的信号值的列的名称。

uncertainty_column : list ，可选Python：列表，可选

包含信号上的错误的列的名称。

band_labels : list ，可选Python：列表，可选

按索引匹配的每个乐队的标签。如果没有，则使用 signal_column 作为乐队的名字。

**kwargs

其他关键字参数传递给此周期图类的初始值设定项。

model(t, frequency, bands_fit=None)

计算给定频率下的Lomb擦伤模型。

特定频率下的模型是线性模型：模型=偏移量+点（设计矩阵，模型参数）

参数:

tNumPy：类似数组或数量 [:ref: 'time']

时间(长度 n_samples )，在该位置计算模型。

frequency : floatPython ：浮点

模型的频率

bands_fit : list 或 array_likePYTHON：LIST或NUMPY：ARRAY_LIKE

适合模型的独特带子

返回:

y : np.ndarraynp.ndarray

该模型与输入次数相对应。将会有形状 (n_bands ，n_samples)。

参见

design_matrix

offset

model_parameters

model_parameters(frequency, units=True)

计算给定频率下的最佳拟合模型参数。

这些参数描述的模型是：

\[y(t; f, \vec{\theta}) = \theta_0 + \sum_{n=1}^{\tt nterms_base} [\theta_{2n-1}\sin(2\pi n f t) + \theta_{2n}\cos(2\pi n f t)] + \theta_0^{(k)} + \sum_{n=1}^{\tt nterms_band} [\theta_{2n-1}^{(k)}\sin(2\pi n f t) +\]

在哪里？ \(\vec{{\theta}}\) 此函数返回的参数数组。

参数:

frequency : floatPython ：浮点

模型的频率

units : bool布尔

如果为True（默认），则返回带有数据单位的设计矩阵。

返回:

theta : np.ndarray (n_参数，)np.ndarray公司（n_参数，）

在给定频率下的最佳拟合模型参数。

参见

design_matrix

model

offset

offset(t_fit=None, bands_fit=None)

返回模型的偏移量数组

模型的偏移量数组是每个波段中y值的(加权)平均值。请注意，如果self.center_data为FALSE，则根据定义，偏移量为0。

参数:

t_fit : array_like ， Quantity ，或 Time (可选)NumPy：类似数组、数量或时间(可选)

时间(长度 n_samples )，在该位置计算模型。如果未指定，则使用输入数据的时间和不确定性。

bands_fit : array_like ，或 strNumPy：ARRAY_LIKE或PYTHON：STR

要用于拟合的波段必须是输入数据中波段的子集。

返回:

offset : array数组

参见

design_matrix

model

model_parameters

power(frequency, method='flexible', sb_method='auto', normalization='standard')

计算给定频率下的Lomb抖动功率。

参数:

frequencyNumPy：类似数组或数量 [:ref: 'frequency']

计算周期图的频率（不是角频率）。注意，为了使用method='fast'，频率必须有规律地间隔。

method : str ，可选Python：字符串，可选

指定要使用的多频段Lomb Scarger实现。选项包括：

• ‘灵活’：构造一个通用模型，并按个人构造一个偏移量模型

  乐队。对生成的模型应用正则化以限制复杂性。

• ‘Fast’：每个频段分别通过LombScarger(单频段)，

  在结尾处按权重合并周期图。速度取决于SB方法中选择的单波段方法。

sb_method : str ，可选Python：字符串，可选

指定要使用的单波段Lomb Scarger实现，仅在使用快速多波段方法的情况下使用。选项可在中找到 LombScargle 。

normalization{，可选'，'型号'，'日志''

如果指定，则重写实例化时指定的规范化。

返回:

power : ndarray恩达雷

指定频率下的Lomb抖动功率