cupyx.scipy.signal.spectrogram#

cupyx.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')[source]#

计算连续傅里叶变换的频谱图。

频谱图可用于可视化非平稳信号的频率内容随时间的变化。

参数:

  • x (array_like) – 测量值的时间序列

  • fs (float, optional) – x 时间序列的采样频率。默认为 1.0。

  • window (str or tuple or array_like, optional) – 希望使用的窗口。如果 window 是字符串或元组，则将其传递给 get_window 以生成窗口值，默认情况下这些值是 DFT-偶数。有关窗口列表和所需参数，请参阅 get_window。如果 window 是 array_like，则将其直接用作窗口，其长度必须等于 nperseg。默认为形状参数为 0.25 的 Tukey 窗口。

  • nperseg (int, optional) – 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 array_like，则设置为窗口的长度。

  • noverlap (int, optional) – 段之间重叠的点数。如果为 None，则 noverlap = nperseg // 8。默认为 None。

  • nfft (int, optional) – 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 or function or False, optional) – 指定如何对每个段进行去趋势。如果 detrend 是字符串，则作为 type 参数传递给 detrend 函数。如果它是函数，则接受一个段并返回一个去趋势后的段。如果 detrend 为 False，则不进行去趋势处理。默认为 ‘constant’。

  • return_onesided (bool, optional) – 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，总是返回双侧频谱。

  • scaling ({ 'density', 'spectrum' }, optional) – 选择计算功率谱密度（‘density’），此时 Sxx 单位为 V**2/Hz；或计算功率谱（‘spectrum’），此时 Sxx 单位为 V**2，前提是 x 以 V 为单位测量，fs 以 Hz 为单位测量。默认为 ‘density’。

  • axis (int, optional) – 计算频谱图的轴；默认为最后一个轴（即 axis=-1）。

  • mode (str, optional) – 定义期望的返回值类型。选项包括 [‘psd’, ‘complex’, ‘magnitude’, ‘angle’, ‘phase’]。‘complex’ 等同于未进行填充或边界扩展的 stft 输出。‘magnitude’ 返回 STFT 的绝对幅度。‘angle’ 和 ‘phase’ 分别返回 STFT 的复角（有无解缠）。

返回值:

  • f (ndarray) – 采样频率数组。

  • t (ndarray) – 分段时间数组。

  • Sxx (ndarray) – x 的频谱图。默认情况下，Sxx 的最后一个轴对应于分段时间。

另请参见

periodogram

简单，可选修改的周期图

lombscargle

不均匀采样数据的 Lomb-Scargle 周期图

welch

使用 Welch 方法计算功率谱密度。

csd

使用 Welch 方法计算互谱密度。

注意

适当的重叠量取决于窗口选择和您的需求。与 Welch 方法将整个数据流进行平均不同，计算频谱图时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，其两端各有窗口长度的 1/8 重叠。有关更多信息，请参阅 [1]。

参考文献

示例

>>> import cupy
>>> from cupyx.scipy.signal import spectrogram
>>> import matplotlib.pyplot as plt

生成一个测试信号，这是一个 2 Vrms 的正弦波，其频率在 3kHz 附近缓慢调制，并受到指数衰减幅度的白噪声污染，采样频率为 10 kHz。

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

计算并绘制频谱图。

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

请注意，如果使用的输出不是单边的，则使用以下内容

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