scipy.signal.

spectrogram#

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')[源代码]#

计算连续傅里叶变换的频谱图（传统函数）。

频谱图可以用作可视化非平稳信号频率内容随时间变化的方式。

传统

此函数被认为是传统的，将不再接收更新。虽然我们目前没有计划删除它，但我们建议新代码使用更现代的替代方案。ShortTimeFFT 是一个较新的 STFT / ISTFT 实现，具有更多功能，还包括一个 spectrogram 方法。可以在短时傅里叶变换部分找到实现的比较，该部分位于 SciPy 用户指南中。

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: 要使用的期望窗口。如果 window 是字符串或元组，则将其传递给 get_window 以生成窗口值，默认情况下是 DFT 偶数。请参阅 get_window 以获取窗口和所需参数的列表。如果 window 是 array_like，它将直接用作窗口，其长度必须为 nperseg。默认为形状参数为 0.25 的 Tukey 窗口。
npersegint, 可选: 每个段的长度。默认为 None，但如果 window 是 str 或 tuple，则设置为 256，如果 window 是 array_like，则设置为窗口的长度。
noverlapint, 可选: 段之间重叠的点数。如果 None，noverlap = nperseg // 8。默认为 None。
nfftint, 可选: 如果需要零填充 FFT，则使用 FFT 的长度。如果 None，则 FFT 长度为 nperseg。默认为 None。
detrendstr 或 function 或 False, 可选: 指定如何去除每个段的趋势。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除趋势的段。如果 detrend 是 False，则不进行去除趋势。默认为 ‘constant’。
return_onesidedbool, 可选: 如果 True，则返回实数数据的一侧频谱。如果 False，则返回两侧频谱。默认为 True，但对于复数数据，始终返回两侧频谱。
scaling{ ‘density’, ‘spectrum’ }, 可选: 选择计算功率谱密度（‘density’），其中 Sxx 的单位为 V**2/Hz，或者计算功率谱（‘spectrum’），其中 Sxx 的单位为 V**2，如果 x 以 V 为单位测量，而 fs 以 Hz 为单位测量。默认为 ‘density’。
axisint, 可选: 计算频谱图的轴；默认值是最后一个轴（即 axis=-1）。
modestr, 可选: 定义期望的返回值类型。选项为 [‘psd’, ‘complex’, ‘magnitude’, ‘angle’, ‘phase’]。 ‘complex’ 等效于 stft 的输出，没有填充或边界扩展。 ‘magnitude’ 返回 STFT 的绝对幅度。 ‘angle’ 和 ‘phase’ 分别返回 STFT 的复数角度，带或不带解包。

返回:

fndarray: 采样频率的数组。
tndarray: 段时间的数组。
Sxxndarray: x 的频谱图。默认情况下，Sxx 的最后一个轴对应于段时间。

另请参阅

periodogram: 简单，可选修改的周期图
lombscargle: 用于不均匀采样数据的 Lomb-Scargle 周期图
welch: Welch 方法的功率谱密度。
csd: Welch 方法的交叉谱密度。
ShortTimeFFT: 提供更多功能的较新 STFT/ISTFT 实现，其中还包括一个 spectrogram 方法。

备注

适当的重叠量将取决于窗口的选择以及您的要求。与 welch 的方法不同，在 welch 的方法中，整个数据流都被平均，在计算频谱图时，可能希望使用较小的重叠（或者可能根本没有重叠），以保持各个段之间的一些统计独立性。正是由于这个原因，默认窗口是一个 Tukey 窗口，在每个端点都有窗口长度的 1/8 重叠。

在 0.16.0 版本中添加。

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 年。

示例

>>> 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，并被以 10 kHz 采样的指数递减幅度的白噪声破坏。

>>> 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()

../../_images/scipy-signal-spectrogram-1_00_00.png

请注意，如果使用不是单边的输出，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()

../../_images/scipy-signal-spectrogram-1_01_00.png