scipy.signal.periodogram¶
- scipy.signal.periodogram(x, fs=1.0, window='boxcar', nfft=None, detrend='constant', return_onesided=True, scaling='density', axis=- 1)[源代码]¶
使用周期图估计功率谱密度。
- 参数
- xarray_like
测量值的时间序列
- fs浮动,可选
的采样频率 x 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‘Boxcar’。- nfft整型,可选
使用的FFT的长度。如果 None 的长度 x 将会被使用。
- 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”。- return_onesided布尔值,可选
如果 True ,返回真实数据的单边频谱。如果 False 返回双面光谱。默认为 True ,但是对于复杂的数据,总是返回双面频谱。
- scaling{‘密度’,‘光谱’},可选
在计算功率谱密度(‘密度’)之间进行选择,其中 Pxx 单位为V 2/Hz and computing the power spectrum ('spectrum') where `Pxx` has units of V 2,如果 x 是以V为单位测量的,并且 fs 是以赫兹为单位测量的。默认为“密度”
- axis整型,可选
沿其计算周期图的轴;默认值在最后一个轴上(即
axis=-1
)。
- 退货
- fndarray
采样频率数组。
- Pxxndarray
功率谱密度或功率谱 x 。
参见
welch
用韦尔奇方法估计功率谱密度
lombscargle
非均匀采样数据的Lomb-Scarger周期图
注意事项
0.12.0 新版功能.
示例
>>> from scipy import signal >>> import matplotlib.pyplot as plt >>> rng = np.random.default_rng()
产生一个测试信号,一个1234Hz处的2 Vrms正弦波,被以10 KHz采样的0.001 V**2/Hz白噪声破坏。
>>> fs = 10e3 >>> N = 1e5 >>> amp = 2*np.sqrt(2) >>> freq = 1234.0 >>> noise_power = 0.001 * fs / 2 >>> time = np.arange(N) / fs >>> x = amp*np.sin(2*np.pi*freq*time) >>> x += rng.normal(scale=np.sqrt(noise_power), size=time.shape)
计算并绘制功率谱密度。
>>> f, Pxx_den = signal.periodogram(x, fs) >>> plt.semilogy(f, Pxx_den) >>> plt.ylim([1e-7, 1e2]) >>> plt.xlabel('frequency [Hz]') >>> plt.ylabel('PSD [V**2/Hz]') >>> plt.show()
如果我们平均频谱密度的后半部分,以排除峰值,我们可以恢复信号上的噪声功率。
>>> np.mean(Pxx_den[25000:]) 0.000985320699252543
现在计算并绘制功率谱。
>>> f, Pxx_spec = signal.periodogram(x, fs, 'flattop', scaling='spectrum') >>> plt.figure() >>> plt.semilogy(f, np.sqrt(Pxx_spec)) >>> plt.ylim([1e-4, 1e1]) >>> plt.xlabel('frequency [Hz]') >>> plt.ylabel('Linear spectrum [V RMS]') >>> plt.show()
功率谱中的峰值高度是均方根幅度的估计值。
>>> np.sqrt(Pxx_spec.max()) 2.0077340678640727