Python cusignal.spectral_analysis.spectral.csd用法及代碼示例

用法: cusignal.spectral_analysis.spectral.csd(x, y, fs=1.0, window='hann', nperseg=None, noverlap=None, nfft=None, detrend='constant', return_onesided=True, scaling='density', axis=- 1, average='mean')

使用 Welch 方法估計交叉功率譜密度 Pxy。

參數：

x：array_like: 測量值的時間序列
y：array_like: 測量值的時間序列
fs：浮點數，可選: x 和 y 時間序列的采樣頻率。默認為 1.0。
window：str 或 tuple 或數組，可選: 想要使用的窗口。如果window是字符串或元組，則傳遞給get_window生成窗口值，默認為DFT-even。有關窗口和所需參數的列表，請參閱get_window。如果window 是數組，它將直接用作窗口，其長度必須為nperseg。默認為 Hann 窗口。
nperseg：整數，可選: 每個段的長度。默認為 None，但如果 window 是 str 或 tuple，則設置為 256，如果 window 是數組，則設置為窗口的長度。
noverlap: int, optional：: 段之間重疊的點數。如果 None , noverlap = nperseg // 2 。默認為 None 。
nfft：整數，可選: 如果需要零填充 FFT，則使用的 FFT 的長度。如果 None ，則 FFT 長度為 nperseg 。默認為 None 。
detrend：str 或 function 或 False ，可選: 指定如何去除每個段的趨勢。如果detrend 是一個字符串，它作為type 參數傳遞給detrend 函數。如果它是一個函數，它接受一個段並返回一個去趨勢的段。如果 detrend 是 False ，則不進行去趨勢。默認為‘constant’。
return_onesided：布爾型，可選: 如果 True ，返回真實數據的 one-sided 頻譜。如果 False 返回 two-sided 頻譜。默認為 True ，但對於複雜數據，始終返回 two-sided 頻譜。
scaling：{ ‘density’, ‘spectrum’ }，可選: 選擇計算交叉譜密度 (‘density’)，其中 Pxy 的單位為 V**2/Hz，計算交叉譜 (‘spectrum’)，其中 Pxy 的單位為 V**2，如果 x 和 y 以 V 為單位，fs 以 Hz 為單位。默認為‘density’
axis：整數，可選: 為兩個輸入計算 CSD 的軸；默認值在最後一個軸上(即 axis=-1 )。
average：{ ‘mean’, ‘median’ }，可選: 平均周期圖時使用的方法。默認為‘mean’。

f：ndarray: 采樣頻率數組。
Pxy：ndarray: x,y 的交叉譜密度或交叉功率譜。

注意：

按照慣例，Pxy 的計算方法是 X 的共軛 FFT 乘以 Y 的 FFT。

如果輸入序列的長度不同，則較短的序列將被零填充以匹配。

適當的重疊量取決於窗口的選擇和您的要求。對於默認的 Hann 窗口，50% 的重疊是在準確估計信號功率和不過度計算任何數據之間的合理權衡。較窄的窗口可能需要較大的重疊。

參考：

1: P. Welch, “The use of the fast Fourier transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms”, IEEE Trans. Audio Electroacoust. vol. 15, pp. 70-73, 1967.
2: Rabiner, Lawrence R., and B. Gold. “Theory and Application of Digital Signal Processing” Prentice-Hall, pp. 414-419, 1975

例子：

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

生成兩個具有一些共同特征的測試信號。

>>> fs = 10e3
>>> N = 1e5
>>> amp = 20
>>> freq = 1234.0
>>> noise_power = 0.001 * fs / 2
>>> time = cp.arange(N) / fs
>>> b, a = cusignal.butter(2, 0.25, 'low')
>>> x = cp.random.normal(scale=cp.sqrt(noise_power), size=time.shape)
>>> # lfilter not currently implemented in cuSignal
>>> y = signal.lfilter(b, a, x)
>>> x += amp*cp.sin(2*cp.pi*freq*time)
>>> y += cp.random.normal(scale=0.1*cp.sqrt(noise_power), size=time.shape)

計算並繪製交叉譜密度的大小。

>>> f, Pxy = cusignal.csd(x, y, fs, nperseg=1024)
>>> plt.semilogy(cp.asnumpy(f), cp.asnumpy(cp.abs(Pxy)))
>>> plt.xlabel('frequency [Hz]')
>>> plt.ylabel('CSD [V**2/Hz]')
>>> plt.show()

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cusignal.spectral_analysis.spectral.csd。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

參考：

例子：