本文简要介绍 python 语言中 scipy.signal.windows.dpss
的用法。
用法:
scipy.signal.windows.dpss(M, NW, Kmax=None, sym=True, norm=None, return_ratios=False)#
计算离散长球体序列 (DPSS)。
DPSS(或 Slepian 序列)通常用于多锥功率谱密度估计(参见 [1])。序列中的第一个窗口可用于最大化主瓣中的能量集中,也称为Slepian窗口。
- M: int
窗口长度。
- NW: 浮点数
对应于
2*NW = BW/f0 = BW*M*dt
的标准化半带宽,其中dt
取为1。- Kmax: int |无,可选
要返回的 DPSS 窗口数(订单
0
到Kmax-1
)。如果无(默认),则仅返回一个形状为(M,)
的窗口,而不是形状为(Kmax, M)
的窗口数组。- sym: 布尔型,可选
当为 True(默认)时,生成一个对称窗口,用于滤波器设计。当为 False 时,生成一个周期窗口,用于频谱分析。
- norm: {2,‘approximate’, ‘subsample’} |无,可选
如果‘approximate’或‘subsample’,则窗口按最大值归一化,并且使用
M**2/(M**2+NW)
(“approximate”)或基于FFT的子样本移位(“subsample”),详情请参阅注释。如果无,则在Kmax=None
时使用 “approximate”,否则使用 2(使用 l2 范数)。- return_ratios: 布尔型,可选
如果为 True,除了窗口之外,还返回浓度比率。
- v: ndarray,形状(Kmax,M)或(M,)
DPSS 窗口。如果 Kmax 为无,则为一维。
- r: ndarray,形状(Kmax,)或浮点数,可选
窗口的浓度比。仅在 return_ratios 计算结果为 True 时返回。如果 Kmax 为无,则为 0D。
参数 ::
返回 ::
注意:
此计算使用 [2] 中给出的三对角特征向量公式。
Kmax=None
的默认归一化,即窗口生成模式,只需使用 l-infinity 范数将创建一个具有两个单位值的窗口,这会在偶数和奇数阶之间产生轻微的归一化差异。对偶数样本数的M**2/float(M**2+NW)
进行近似校正用于抵消这种影响(请参见下面的示例)。对于非常长的信号(例如,1e6 个元素),计算窗口数量级更短并使用插值(例如,scipy.interpolate.interp1d) 以获得长度的锥度M,但这通常不会保持锥度之间的正交性。
参考:
[1]Percival DB,Walden WT。物理应用的频谱分析:多锥度和传统的单变量技术。剑桥大学出版社; 1993 年。
[2]Slepian, D. Prolate 球面波函数、傅里叶分析和不确定性 V:离散情况。贝尔系统技术杂志,第 57 卷(1978 年),1371430。
[3]凯撒,JF,谢弗 RW。关于使用 I0-Sinh 窗口进行频谱分析。 IEEE 声学、语音和信号处理汇刊。 ASSP-28(1):105-107; 1980 年。
例子:
我们可以将该窗口与
kaiser
进行比较,它是作为更容易计算的替代方案而发明的 [3](示例改编自 这里 ):>>> import numpy as np >>> import matplotlib.pyplot as plt >>> from scipy.signal import windows, freqz >>> M = 51 >>> fig, axes = plt.subplots(3, 2, figsize=(5, 7)) >>> for ai, alpha in enumerate((1, 3, 5)): ... win_dpss = windows.dpss(M, alpha) ... beta = alpha*np.pi ... win_kaiser = windows.kaiser(M, beta) ... for win, c in ((win_dpss, 'k'), (win_kaiser, 'r')): ... win /= win.sum() ... axes[ai, 0].plot(win, color=c, lw=1.) ... axes[ai, 0].set(xlim=[0, M-1], title=r'$\alpha$ = %s' % alpha, ... ylabel='Amplitude') ... w, h = freqz(win) ... axes[ai, 1].plot(w, 20 * np.log10(np.abs(h)), color=c, lw=1.) ... axes[ai, 1].set(xlim=[0, np.pi], ... title=r'$\beta$ = %0.2f' % beta, ... ylabel='Magnitude (dB)') >>> for ax in axes.ravel(): ... ax.grid(True) >>> axes[2, 1].legend(['DPSS', 'Kaiser']) >>> fig.tight_layout() >>> plt.show()
以下是前四个窗口的示例,以及它们的浓度比:
>>> M = 512 >>> NW = 2.5 >>> win, eigvals = windows.dpss(M, NW, 4, return_ratios=True) >>> fig, ax = plt.subplots(1) >>> ax.plot(win.T, linewidth=1.) >>> ax.set(xlim=[0, M-1], ylim=[-0.1, 0.1], xlabel='Samples', ... title='DPSS, M=%d, NW=%0.1f' % (M, NW)) >>> ax.legend(['win[%d] (%0.4f)' % (ii, ratio) ... for ii, ratio in enumerate(eigvals)]) >>> fig.tight_layout() >>> plt.show()
使用标准
norm 会为偶数产生两个统一值M, 但奇数只有一个单位值M.这会产生不均匀的窗口功率,可以通过近似校正来抵消M**2/float(M**2+NW)
, 可以使用norm='approximate'
(这与norm=None
当Kmax=None
,就像这里的情况一样)。或者,速度越慢norm='subsample'
可以使用,它使用频域中的子样本移位 (FFT) 来计算校正:>>> Ms = np.arange(1, 41) >>> factors = (50, 20, 10, 5, 2.0001) >>> energy = np.empty((3, len(Ms), len(factors))) >>> for mi, M in enumerate(Ms): ... for fi, factor in enumerate(factors): ... NW = M / float(factor) ... # Corrected using empirical approximation (default) ... win = windows.dpss(M, NW) ... energy[0, mi, fi] = np.sum(win ** 2) / np.sqrt(M) ... # Corrected using subsample shifting ... win = windows.dpss(M, NW, norm='subsample') ... energy[1, mi, fi] = np.sum(win ** 2) / np.sqrt(M) ... # Uncorrected (using l-infinity norm) ... win /= win.max() ... energy[2, mi, fi] = np.sum(win ** 2) / np.sqrt(M) >>> fig, ax = plt.subplots(1) >>> hs = ax.plot(Ms, energy[2], '-o', markersize=4, ... markeredgecolor='none') >>> leg = [hs[-1]] >>> for hi, hh in enumerate(hs): ... h1 = ax.plot(Ms, energy[0, :, hi], '-o', markersize=4, ... color=hh.get_color(), markeredgecolor='none', ... alpha=0.66) ... h2 = ax.plot(Ms, energy[1, :, hi], '-o', markersize=4, ... color=hh.get_color(), markeredgecolor='none', ... alpha=0.33) ... if hi == len(hs) - 1: ... leg.insert(0, h1[0]) ... leg.insert(0, h2[0]) >>> ax.set(xlabel='M (samples)', ylabel=r'Power / $\sqrt{M}$') >>> ax.legend(leg, ['Uncorrected', r'Corrected: $\frac{M^2}{M^2+NW}$', ... 'Corrected (subsample)']) >>> fig.tight_layout()
相关用法
- Python SciPy windows.gaussian用法及代码示例
- Python SciPy windows.parzen用法及代码示例
- Python SciPy windows.triang用法及代码示例
- Python SciPy windows.flattop用法及代码示例
- Python SciPy windows.hamming用法及代码示例
- Python SciPy windows.tukey用法及代码示例
- Python SciPy windows.nuttall用法及代码示例
- Python SciPy windows.get_window用法及代码示例
- Python SciPy windows.kaiser用法及代码示例
- Python SciPy windows.kaiser_bessel_derived用法及代码示例
- Python SciPy windows.general_gaussian用法及代码示例
- Python SciPy windows.cosine用法及代码示例
- Python SciPy windows.exponential用法及代码示例
- Python SciPy windows.bartlett用法及代码示例
- Python SciPy windows.barthann用法及代码示例
- Python SciPy windows.boxcar用法及代码示例
- Python SciPy windows.general_cosine用法及代码示例
- Python SciPy windows.chebwin用法及代码示例
- Python SciPy windows.taylor用法及代码示例
- Python SciPy windows.lanczos用法及代码示例
- Python SciPy windows.blackman用法及代码示例
- Python SciPy windows.general_hamming用法及代码示例
- Python SciPy windows.bohman用法及代码示例
- Python SciPy windows.blackmanharris用法及代码示例
- Python SciPy windows.hann用法及代码示例
注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.signal.windows.dpss。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。