scipy.signal.coherence¶
- scipy.signal.coherence(x, y, fs=1.0, window='hann', nperseg=None, noverlap=None, nfft=None, detrend='constant', axis=- 1)[源代码]¶
使用韦尔奇方法估计离散时间信号X和Y的幅度平方相干估计Cxy。
Cxy = abs(Pxy)**2/(Pxx*Pyy)
,在哪里 Pxx 和 Pyy 是X和Y的功率谱密度估计,以及 Pxy 是X和Y的互谱密度估计。- 参数
- xarray_like
测量值的时间序列
- yarray_like
测量值的时间序列
- fs浮动,可选
的采样频率 x 和 y 时间序列。默认为1.0。
- window字符串或元组或array_like,可选
要使用的所需窗口。如果 window 是字符串或元组,则将其传递给
get_window
以生成窗口值,该窗口值是DFT-即使在默认情况下也是如此。看见get_window
有关窗口和所需参数的列表,请执行以下操作。如果 window is array_like它将直接用作窗口,其长度必须为nperseg。默认为Hann窗口。- nperseg整型,可选
每个线段的长度。默认值为None,但如果Window为字符串或元组,则设置为256,如果Window为array_like,则设置为窗口长度。
- noverlap:int,可选
线段之间要重叠的点数。如果 None ,
noverlap = nperseg // 2
。默认为 None 。- nfft整型,可选
如果需要填充零的FFT,则使用的FFT长度。如果 None ,FFT长度为 nperseg 。默认为 None 。
- 下降趋势 :字符串或函数或 False ,可选字符串或函数或
指定如何对每段数据段进行趋势调整。如果
detrend
是字符串,则将其作为 type 参数设置为detrend
功能。如果它是一个函数,它接受一个段并返回一个去势的段。如果detrend
是 False ,没有进行去趋势性操作。默认值为“Constant”。- axis整型,可选
为两个输入计算相干的轴;默认值在最后一个轴上(即
axis=-1
)。
- 退货
- fndarray
采样频率数组。
- Cxyndarray
x和y的量级平方相干性。
参见
periodogram
简单的、可选修改的周期图
lombscargle
非均匀采样数据的Lomb-Scarger周期图
welch
功率谱密度按Welch方法计算。
csd
互谱密度按Welch方法计算。
注意事项
适当的重叠量将取决于窗口的选择和您的要求。对于默认的汉恩窗口,50%的重叠是准确估计信号功率,同时不过度计算任何数据之间的合理折衷。较窄的窗口可能需要较大的重叠。
0.16.0 新版功能.
参考文献
- 1
P.Welch,“快速傅立叶变换在功率谱估计中的应用:一种基于短周期图时间平均的方法”,IEEE Transans。音频电声。卷。15年,第70-73页,1967年。
- 2
斯托伊卡、皮特和兰道夫·摩西,“信号的频谱分析”,普伦蒂斯·霍尔,2005。
示例
>>> from scipy import signal >>> import matplotlib.pyplot as plt >>> rng = np.random.default_rng()
生成具有一些共同特征的两个测试信号。
>>> fs = 10e3 >>> N = 1e5 >>> amp = 20 >>> freq = 1234.0 >>> noise_power = 0.001 * fs / 2 >>> time = np.arange(N) / fs >>> b, a = signal.butter(2, 0.25, 'low') >>> x = rng.normal(scale=np.sqrt(noise_power), size=time.shape) >>> y = signal.lfilter(b, a, x) >>> x += amp*np.sin(2*np.pi*freq*time) >>> y += rng.normal(scale=0.1*np.sqrt(noise_power), size=time.shape)
计算并绘制连贯性。
>>> f, Cxy = signal.coherence(x, y, fs, nperseg=1024) >>> plt.semilogy(f, Cxy) >>> plt.xlabel('frequency [Hz]') >>> plt.ylabel('Coherence') >>> plt.show()