scipy.signal.

peak_prominences

scipy.signal.peak_prominences(x, peaks, wlen=None)

计算信号中每个峰值的突出度。

山峰的显著性衡量了山峰从信号的周围基线中脱颖而出的程度，并定义为山峰与其最低等高线之间的垂直距离。

参数:

x序列

一个带有峰值的信号。

峰序列

x 中峰值的索引。

wlenint, 可选

一个以样本为单位的窗口长度，可选地限制每个峰值的评估区域为 x 的子集。峰值总是位于窗口的中间，因此给定的长度向上舍入到下一个奇数整数。此参数可以加快计算速度（参见注释）。

返回:

突出部分ndarray

peaks 中每个峰的计算突出度。

左基, 右基ndarray

在 x 中，每个峰值左右两侧的峰值基底作为索引。每对基底中较高的那个是峰值的最低等高线。

Raises:

ValueError

如果 peaks 中的值是 x 的一个无效索引。

警告:

PeakPropertyWarning

对于 peaks 中未指向 x 中有效局部最大值的索引，返回的突出度将为 0，并会引发此警告。如果 wlen 小于峰值的平坦区域大小，也会发生这种情况。

警告

对于包含 NaN 的数据，此函数可能会返回意外结果。为了避免这种情况，应删除或替换 NaN。

参见

find_peaks

根据峰值属性在信号内寻找峰值。

peak_widths

计算峰的宽度。

注释

计算峰突出度的策略：

1. 从当前峰值向左和向右延伸一条水平线，直到该线到达窗口边界（参见 wlen）或在与更高峰值的斜率处再次与信号相交。与相同高度的峰值的交点将被忽略。

2. 在上述定义的区间内，找到每一侧的最小信号值。这些点是峰值的基点。

3. 两个基点中较高的一个标记了山峰的最低等高线。然后，突出度可以计算为山峰本身高度与其最低等高线之间的垂直差异。

对于具有周期行为的大型 x，寻找峰值基底可能会很慢，因为在算法的第一个步骤中需要评估大块甚至整个信号。可以通过参数 wlen 限制评估区域，该参数将算法限制在当前峰值周围的窗口内，如果窗口长度相对于 x 较短，则可以缩短计算时间。然而，如果峰值的真实基底在此窗口之外，这可能会阻止算法找到真正的全局等高线，而是在受限窗口内找到更高的等高线，从而导致计算出的突出度较小。在实践中，这仅对 x 中最高的一组峰值相关。这种行为甚至可以有意用于计算“局部”突出度。

Added in version 1.1.0.

参考文献

[1]

维基百科关于地形突出的文章：https://en.wikipedia.org/wiki/Topographic_prominence

示例

Try it in your browser!

>>> import numpy as np
>>> from scipy.signal import find_peaks, peak_prominences
>>> import matplotlib.pyplot as plt

创建一个包含两个叠加谐波的测试信号

>>> x = np.linspace(0, 6 * np.pi, 1000)
>>> x = np.sin(x) + 0.6 * np.sin(2.6 * x)

查找所有峰值并计算突出度

>>> peaks, _ = find_peaks(x)
>>> prominences = peak_prominences(x, peaks)[0]
>>> prominences
array([1.24159486, 0.47840168, 0.28470524, 3.10716793, 0.284603  ,
       0.47822491, 2.48340261, 0.47822491])

计算每个峰值的等高线高度并绘制结果

>>> contour_heights = x[peaks] - prominences
>>> plt.plot(x)
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.vlines(x=peaks, ymin=contour_heights, ymax=x[peaks])
>>> plt.show()

让我们评估第二个示例，该示例展示了索引5处一个峰值的几个边缘情况。

>>> x = np.array([0, 1, 0, 3, 1, 3, 0, 4, 0])
>>> peaks = np.array([5])
>>> plt.plot(x)
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.show()

>>> peak_prominences(x, peaks)  # -> (prominences, left_bases, right_bases)
(array([3.]), array([2]), array([6]))

注意在搜索左基线时，索引3处相同高度的峰值不被视为边界。相反，找到了两个最小值0和2，在这种情况下，总是选择离评估峰值更近的那个。然而，在右侧，基线必须放在6处，因为更高的峰值代表了评估区域的右边界。

>>> peak_prominences(x, peaks, wlen=3.1)
(array([2.]), array([4]), array([6]))

在这里，我们将算法限制在3到7的窗口内（长度为5个样本，因为`wlen`被向上取整到下一个奇数）。因此，评估区域内只有两个相邻样本是候选者，并且计算出的突出度较小。

Go BackOpen In Tab