Python cusignal.spectral_analysis.spectral.spectrogram用法及代码示例

用法: cusignal.spectral_analysis.spectral.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')

计算具有连续傅里叶变换的频谱图。

频谱图可用作可视化非平稳信号频率内容随时间变化的一种方式。

参数：

x：array_like: 测量值的时间序列
fs：浮点数，可选: x 时间序列的采样频率。默认为 1.0。
window：str 或 tuple 或数组，可选: 想要使用的窗口。如果window是字符串或元组，则传递给get_window生成窗口值，默认为DFT-even。有关窗口和所需参数的列表，请参阅get_window。如果window 是数组，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。
nperseg：整数，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 None , noverlap = nperseg // 8 。默认为 None 。
nfft：整数，可选: 如果需要零填充 FFT，则使用的 FFT 的长度。如果 None ，则 FFT 长度为 nperseg 。默认为 None 。
detrend：str 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，它作为type 参数传递给detrend 函数。如果它是一个函数，它接受一个段并返回一个去趋势的段。如果 detrend 是 False ，则不进行去趋势。默认为‘constant’。
return_onesided：布尔型，可选: 如果 True ，返回真实数据的 one-sided 频谱。如果 False 返回 two-sided 频谱。默认为 True ，但对于复杂数据，始终返回 two-sided 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，计算功率谱 (‘spectrum’)，其中 Sxx 的单位为 V**2，如果 x 以 V 为单位，fs 以 Hz 为单位。默认为‘density’。
axis：整数，可选: 计算频谱图的轴；默认值在最后一个轴上(即 axis=-1 )。
mode：str，可选: 定义期望的返回值类型。选项是 [‘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 的绝对大小。 ‘angle’ and ‘phase’ 返回 STFT 的复角，分别有和没有展开。

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 的最后一个轴对应分段时间。

注意：

适当的重叠量取决于窗口的选择和您的要求。与 welch 的方法(其中整个数据流被平均)相比，人们可能希望在计算频谱图时使用较小的重叠(或者可能根本没有重叠)，以保持各个片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，每端有 1/8 的窗口长度重叠。

0.16.0 版中的新函数。

参考：

1: Oppenheim, Alan V., Ronald W. Schafer, John R. Buck “Discrete-Time Signal Processing”, Prentice Hall, 1999.

例子：

>>> import cusignal
>>> import cupy as cp
>>> import matplotlib.pyplot as plt

生成一个测试信号，一个 2 Vrms 正弦波，其频率在 3kHz 左右缓慢调制，被以 10kHz 采样的呈 index 下降幅度的白噪声破坏。

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

计算并绘制频谱图。

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

请注意，如果使用不是单侧的输出，则使用以下内容：

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

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cusignal.spectral_analysis.spectral.spectrogram。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

参考：

例子：