scipy.signal.

周期图

scipy.signal.periodogram(x, fs=1.0, window='boxcar', nfft=None, detrend='constant', return_onesided=True, scaling='density', axis=-1)

使用周期图估计功率谱密度。

参数:

xarray_like

测量值的时间序列

fsfloat, 可选

时间序列 x 的采样频率。默认为 1.0。

窗口str 或 tuple 或 array_like，可选

要使用的期望窗口。如果 window 是一个字符串或元组，它会被传递给 get_window 以生成窗口值，这些值默认是 DFT-even 的。请参阅 get_window 以获取窗口列表和所需参数。如果 window 是类数组，它将直接用作窗口，其长度必须等于计算周期图的轴的长度。默认为 ‘boxcar’。

nfftint, 可选

使用的FFT长度。如果为 None ，将使用 x 的长度。

detrend : str 或 function 或 False, 可选字符串或函数或

指定如何去趋势化每个片段。如果 detrend 是一个字符串，它将作为 type 参数传递给 detrend 函数。如果它是一个函数，它接受一个片段并返回一个去趋势化的片段。如果 detrend 是 False，则不进行去趋势化。默认为 ‘constant’。

return_onesidedbool, 可选

如果 True，返回实数数据的单边谱。如果 False，返回双边谱。默认为 True，但对于复数数据，总是返回双边谱。

缩放{ ‘密度’, ‘频谱’ }, 可选

在计算功率谱密度（’density’）和计算平方幅度谱（’spectrum’）之间进行选择，其中 Pxx 在 x 以 V 为单位测量且 fs 以 Hz 为单位测量时，分别具有 V**2/Hz 和 V**2 的单位。默认为 ‘density’。

轴int, 可选

计算周期图的轴；默认是沿最后一个轴（即 axis=-1）。

返回:

fndarray

样本频率数组。

Pxxndarray

x 的功率谱密度或功率谱。

参见

welch

使用Welch方法估计功率谱密度

lombscargle

不均匀采样数据的Lomb-Scargle周期图

注释

请参阅 用户指南 中的 光谱分析教程 部分，以讨论功率谱密度和幅度（平方）谱的缩放问题。

Added in version 0.12.0.

示例

Try it in your browser!

>>> import numpy as np
>>> from scipy import signal
>>> import matplotlib.pyplot as plt
>>> rng = np.random.default_rng()

生成一个测试信号，一个在1234 Hz频率下2 Vrms的正弦波，受到0.001 V**2/Hz的白噪声干扰，采样频率为10 kHz。

>>> 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()

如果我们对光谱密度的后半部分取平均值，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对RMS幅度的估计。

>>> np.sqrt(Pxx_spec.max())
2.0077340678640727

Go BackOpen In Tab