scipy.signal.

频谱图

scipy.signal.spectrogram(x, fs=1.0, window=('tukey', 0.25), nperseg=None, noverlap=None, nfft=None, detrend='constant', return_onesided=True, scaling='density', axis=-1, mode='psd')

使用连续傅里叶变换计算频谱图（遗留函数）。

频谱图可以作为一种可视化非平稳信号频率内容随时间变化的方式。

传统

此函数被视为遗留代码，将不再接收更新。这也可能意味着它将在未来的 SciPy 版本中被移除。ShortTimeFFT 是一个更新颖的 STFT / ISTFT 实现，具有更多功能，还包括一个 spectrogram 方法。在 SciPy 用户指南 的 tutorial_stft 部分可以找到实现之间的 比较。

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，其长度必须为 nperseg。默认使用形状参数为 0.25 的 Tukey 窗口。

npersegint, 可选

每个片段的长度。默认为 None，但如果 window 是 str 或 tuple，则设置为 256，如果 window 是 array_like，则设置为 window 的长度。

noverlapint, 可选

段落之间重叠的点数。如果为 None，则 noverlap = nperseg // 8。默认为 None。

nfftint, 可选

使用的FFT长度，如果需要零填充FFT。如果为 None，则FFT长度为 nperseg。默认为 None。

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’）和计算功率谱（’spectrum’）之间进行选择，其中 Sxx 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

计算频谱图的轴；默认是沿最后一个轴（即 axis=-1）。

模式str, 可选

定义了期望的返回值类型。选项有 [‘psd’, ‘complex’, ‘magnitude’, ‘angle’, ‘phase’]。’complex’ 等同于没有填充或边界扩展的 stft 输出。’magnitude’ 返回 STFT 的绝对幅度。’angle’ 和 ‘phase’ 分别返回 STFT 的复数角度，有无解包。

返回:

fndarray

样本频率数组。

tndarray

段段时间数组。

Sxxndarray

x 的频谱图。默认情况下，Sxx 的最后一个轴对应于分段时间。

参见

periodogram

简单的，可选择修改的周期图

lombscargle

不均匀采样数据的Lomb-Scargle周期图

welch

通过 Welch 方法的功率谱密度。

csd

通过 Welch 方法计算的交叉谱密度。

ShortTimeFFT

提供更多功能的新STFT/ISTFT实现，其中包括 spectrogram 方法。

注释

适当的重叠量将取决于窗口的选择和您的需求。与整个数据流被平均的 Welch 方法相反，在计算频谱图时，可能希望使用较小的重叠（或者可能完全没有重叠），以保持各个段之间的统计独立性。因此，默认窗口是 Tukey 窗口，每个端点重叠窗口长度的 1/8。

Added in version 0.16.0.

参考文献

[1]

Oppenheim, Alan V., Ronald W. Schafer, John R. Buck “离散时间信号处理”, Prentice Hall, 1999.

示例

Try it in your browser!

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

生成一个测试信号，一个2 Vrms的正弦波，其频率在3kHz附近缓慢调制，受到采样率为10 kHz的指数衰减幅度白噪声的干扰。

>>> fs = 10e3
>>> N = 1e5
>>> amp = 2 * np.sqrt(2)
>>> noise_power = 0.01 * fs / 2
>>> time = np.arange(N) / float(fs)
>>> mod = 500*np.cos(2*np.pi*0.25*time)
>>> carrier = amp * np.sin(2*np.pi*3e3*time + mod)
>>> noise = rng.normal(scale=np.sqrt(noise_power), size=time.shape)
>>> noise *= np.exp(-time/5)
>>> x = carrier + noise

计算并绘制频谱图。

>>> f, t, Sxx = signal.spectrogram(x, fs)
>>> plt.pcolormesh(t, f, Sxx, shading='gouraud')
>>> plt.ylabel('Frequency [Hz]')
>>> plt.xlabel('Time [sec]')
>>> plt.show()

注意，如果使用非单侧的输出，则使用以下内容：

>>> f, t, Sxx = signal.spectrogram(x, fs, return_onesided=False)
>>> plt.pcolormesh(t, fftshift(f), fftshift(Sxx, axes=0), shading='gouraud')
>>> plt.ylabel('Frequency [Hz]')
>>> plt.xlabel('Time [sec]')
>>> plt.show()

Go BackOpen In Tab