scipy.signal.

periodogram

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

x 时间序列的采样频率。默认为 1.0。

windowstr 或 tuple 或 array_like, 可选

要使用的所需窗口。 如果 window 是字符串或元组，它将被传递给 get_window 以生成窗口值，默认情况下这些值是 DFT 偶数。 有关窗口和所需参数的列表，请参阅 get_window。 如果 window 是 array_like，它将直接用作窗口，并且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 的长度。 如果 None，将使用 x 的长度。

detrendstr 或 function 或 False, 可选

指定如何对每个段进行去趋势化。 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，它会获取一个段并返回一个去趋势化的段。 如果 detrend 是 False，则不进行去趋势化。 默认为 ‘constant’。

return_onesidedbool, 可选

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

scaling{ ‘density’, ‘spectrum’ }, 可选

选择计算功率谱密度（‘density’），其中如果 x 以 V 为单位测量且 fs 以 Hz 为单位测量，则 Pxx 的单位为 V**2/Hz；或者计算平方幅度谱（‘spectrum’），其中 Pxx 的单位为 V**2。默认为 ‘density’

axisint, 可选

计算周期图的轴；默认是沿最后一个轴（即 axis=-1）。

返回:

fndarray

样本频率的数组。

Pxxndarray

x 的功率谱密度或功率谱。

另请参阅

welch

使用 Welch 方法估计功率谱密度

lombscargle

用于非均匀采样数据的 Lomb-Scargle 周期图

注释

请参阅 频谱分析 部分，了解功率谱密度和幅度（平方）谱的缩放的讨论，该部分在 SciPy 用户指南 中。

在版本 0.12.0 中添加。

示例

在您的浏览器中尝试一下！

>>> 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 的 2 Vrms 正弦波，被 0.001 V**2/Hz 的白噪声（以 10 kHz 采样）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()

如果我们对频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 RMS 幅度的估计值。

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

返回在新标签页中打开