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

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')

計算具有連續傅裏葉變換的頻譜圖。

頻譜圖可用作可視化非平穩信號頻率內容隨時間變化的一種方式。

參數：

x：array_like: 測量值的時間序列
fs：浮點數，可選: x 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。默認為形狀參數為 0.25 的 Tukey 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：整數，可選: 段之間重疊的點數。如果 None , noverlap = nperseg // 8 。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: 選擇計算功率譜密度 (‘density’)，其中 Sxx 的單位為 V**2/Hz，計算功率譜 (‘spectrum’)，其中 Sxx 的單位為 V**2，如果 x 以 V 為單位，fs 以 Hz 為單位。默認為‘density’。
axis：整數，可選: 計算頻譜圖的軸；默認值在最後一個軸上(即 axis=-1 )。
mode：str，可選: 定義期望的返回值類型。選項是 [‘psd’, ‘complex’, ‘magnitude’, ‘angle’, ‘phase’]。 ‘complex’ 等效於 stft 的輸出，沒有填充或邊界擴展。 ‘magnitude’ 返回 STFT 的絕對大小。 ‘angle’ and ‘phase’ 返回 STFT 的複角，分別有和沒有展開。

f：ndarray: 采樣頻率數組。
t：ndarray: 分段時間數組。
Sxx：ndarray: x 的頻譜圖。默認情況下，Sxx 的最後一個軸對應分段時間。

注意：

適當的重疊量取決於窗口的選擇和您的要求。與 welch 的方法(其中整個數據流被平均)相比，人們可能希望在計算頻譜圖時使用較小的重疊(或者可能根本沒有重疊)，以保持各個片段之間的一些統計獨立性。正是由於這個原因，默認窗口是一個 Tukey 窗口，每端有 1/8 的窗口長度重疊。

0.16.0 版中的新函數。

參考：

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

生成一個測試信號，一個 2 Vrms 正弦波，其頻率在 3kHz 左右緩慢調製，被以 10kHz 采樣的呈 index 下降幅度的白噪聲破壞。

>>> 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

計算並繪製頻譜圖。

>>> 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()

請注意，如果使用不是單側的輸出，則使用以下內容：

>>> 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.spectrogram。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：