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')

使用连续傅立叶变换计算频谱图（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。 这也意味着它可能在未来的 SciPy 版本中被移除。 ShortTimeFFT 是一种更新的 STFT/ISTFT 实现，具有更多功能，包括 spectrogram 方法。 比较 在 短时傅立叶变换 部分的 SciPy 用户指南 中可以找到两种实现之间的比较。

参数：

x类数组

测量值的时序

fs浮点数，可选

x 时序的采样频率。 默认为 1.0。

window字符串或元组或类数组，可选

要使用的所需窗口。 如果 window 是字符串或元组，则将其传递给 get_window 以生成窗口值，这些值默认情况下是 DFT-even。 有关窗口列表和所需参数，请参阅 get_window。 如果 window 是类数组，则将直接使用它作为窗口，并且其长度必须为 nperseg。 默认为形状参数为 0.25 的 Tukey 窗口。

nperseg整数，可选

每个段的长度。 默认为 None，但如果 window 是字符串或元组，则设置为 256，如果 window 是类数组，则设置为窗口的长度。

noverlap整数，可选

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

nfft整数，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字符串或函数或 False，可选

指定如何对每个段进行去趋势化。 如果 detrend 是字符串，则将其作为 type 参数传递给 detrend 函数。 如果它是函数，则它接受一个段并返回一个去趋势化的段。 如果 detrend 为 False，则不会进行去趋势化。 默认为 ‘constant’。

return_onesided布尔值，可选

如果为 True，则返回实数数据的一侧频谱。 如果为 False，则返回双侧频谱。 默认为 True，但对于复数数据，始终返回双侧频谱。

scaling{ ‘density’, ‘spectrum’ }，可选

在计算功率谱密度 (‘density’)（其中 Sxx 的单位为 V**2/Hz）和计算功率谱 (‘spectrum’)（其中 Sxx 的单位为 V**2）之间选择，如果 x 的单位为 V 且 fs 的单位为 Hz。 默认为 ‘density’。

axis整数，可选

计算频谱图的轴； 默认为最后一个轴（即 axis=-1）。

mode字符串，可选

定义期望的返回值类型。 选项包括 [‘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 的绝对值。 ‘angle’ 和 ‘phase’ 分别返回 STFT 的复数角度，带和不带展开。

返回值：

f类数组

样本频率数组。

t类数组

段时间数组。

Sxx类数组

x 的频谱图。 默认情况下，Sxx 的最后一个轴对应于段时间。

参见

periodogram

简单、可选的修改后的周期图

lombscargle

针对不均匀采样数据的 Lomb-Scargle 周期图

welch

使用 Welch 方法的功率谱密度。

csd

使用 Welch 方法的互谱密度。

ShortTimeFFT

更新的 STFT/ISTFT 实现，提供了更多功能，包括 spectrogram 方法。

注意

适当的重叠量将取决于窗口的选择和您的要求。 与 Welch 方法（在该方法中对整个数据流进行平均）相比，在计算频谱图时，您可能希望使用较小的重叠（或者根本不重叠），以保持各个段之间的一些统计独立性。 因此，默认窗口是 Tukey 窗口，其两端有 1/8 窗口长度的重叠。

版本 0.16.0 中添加。

参考资料

[1]

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

示例

在您的浏览器中尝试它！

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

生成测试信号，一个频率在 3kHz 附近缓慢调制的 2 Vrms 正弦波，被以 10kHz 采样且幅度呈指数衰减的白噪声所破坏。

>>> 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()

注意，如果使用非单边的输出，则使用以下方法

>>> 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()

返回在新标签页中打开