scipy.signal.periodogram¶

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

使用周期图估计功率谱密度。

参数

xarray_like: 测量值的时间序列
fs浮动，可选: 的采样频率 x 时间序列。默认为1.0。
window字符串或元组或array_like，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，该窗口值是DFT-即使在默认情况下也是如此。看见 get_window 有关窗口和所需参数的列表，请执行以下操作。如果 window is array_like它将直接用作窗口，其长度必须为nperseg。默认为‘Boxcar’。
nfft整型，可选: 使用的FFT的长度。如果 None 的长度 x 将会被使用。
下降趋势 ：字符串或函数或 False ，可选字符串或函数或: 指定如何对每段数据段进行趋势调整。如果 detrend 是字符串，则将其作为 type 参数设置为 detrend 功能。如果它是一个函数，它接受一个段并返回一个去势的段。如果 detrend 是 False ，没有进行去趋势性操作。默认值为“Constant”。
return_onesided布尔值，可选: 如果 True ，返回真实数据的单边频谱。如果 False 返回双面光谱。默认为 True ，但是对于复杂的数据，总是返回双面频谱。
scaling{‘密度’，‘光谱’}，可选: 在计算功率谱密度(‘密度’)之间进行选择，其中 Pxx 单位为V 2/Hz and computing the power spectrum ('spectrum') where `Pxx` has units of V 2，如果 x 是以V为单位测量的，并且 fs 是以赫兹为单位测量的。默认为“密度”
axis整型，可选: 沿其计算周期图的轴；默认值在最后一个轴上(即 axis=-1 )。

退货

fndarray: 采样频率数组。
Pxxndarray: 功率谱密度或功率谱 x 。

参见

welch: 用韦尔奇方法估计功率谱密度
lombscargle: 非均匀采样数据的Lomb-Scarger周期图

注意事项

0.12.0 新版功能.

示例

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

产生一个测试信号，一个1234Hz处的2 Vrms正弦波，被以10 KHz采样的0.001 V**2/Hz白噪声破坏。

>>> 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()

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

如果我们平均频谱密度的后半部分，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()

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

功率谱中的峰值高度是均方根幅度的估计值。

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

scipy.signal.peak_widths

scipy.signal.welch