- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
对于给定的离散时间信号 x(t)
带间距dt
(等于 1/fs
,fs
是采样率),能量为:
E[x(t)] = sum(abs(x)**2.0)/fs
x(t)
的 DFT :
x_tf = np.fft.fftshift( np.fft.fft( x ) ) / ( fs * ( 2.0 * np.pi ) ** 0.5 )
E[x_tf] = sum( abs( x_tf ) ** 2.0 ) * fs * 2 * np.pi / N
fs*2*np.pi/N
= 脉动间距
dk
,
fftfreq
的文档提供了有关频域间距的更多详细信息),我有相同的能量:
E[x(t)] = E[x_tf]
x(t)
的功率谱密度时使用
scipy.signal.welch
,我找不到合适的能量。
scipy.signal.welch
返回频率向量
f
和能源
Pxx
(或每个频率的能量,取决于我们在
scaling
的参数中输入的
scipy.signal.welch
)。
E[x(t)]
一样的能量或
E[x_tf]
使用
Pxx
?我试图计算:
E_psd = sum(Pxx_den) / nperseg
nperseg
为 Welch 算法每段的长度,因子如
fs
和
np.sqrt(2*np.pi)
被抵消,并用
nperseg
重新调整 E[x(t)] ,但没有任何成功(小于
E[x(t)]
的数量级)
#Generate a test signal, a 2 Vrms sine wave at 1234 Hz, corrupted by 0.001 V**2/Hz of white noise sampled at 10 kHz.
fs = 10e3 #sampling rate, dt = 1/fs
N = 1e5
amp = 2*np.sqrt(2)
freq = 1234.0
noise_power = 0.001 * fs / 2
time = np.arange(N) / fs
x = amp*np.sin(2*np.pi*freq*time)
x += np.random.normal(scale=np.sqrt(noise_power), size=time.shape)
f, Pxx_den = signal.welch(x, fs )
最佳答案
解决这种明显差异的方法在于仔细理解和应用
dt
等于相邻样本之间的时间间隔。回答你的问题的关键是你要认识到DTFT不等于对应的傅里叶变换!事实上,两者是相关的
np.fft.fft(...)
时返回的内容。 .因此,您计算的 DFT 不等于傅立叶变换!
scipy.signal.welch(..., scaling='density', ...)
返回
power spectral density (PSD) 的估计值离散信号 x[n]。对 PSD 的全面讨论有点超出了本文的范围,但对于简单的周期信号(例如您的示例中的信号),PSD S_{xx}(f) 给出为
import scipy.signal
# Estimate PSD `S_xx_welch` at discrete frequencies `f_welch`
f_welch, S_xx_welch = scipy.signal.welch(x, fs=fs)
# Integrate PSD over spectral bandwidth
# to obtain signal power `P_welch`
df_welch = f_welch[1] - f_welch[0]
P_welch = np.sum(S_xx_welch) * df_welch
np.fft.fft(...)
计算(返回 DFT),我们必须使用上一节中的信息,即
# Compute DFT
Xk = np.fft.fft(x)
# Compute corresponding frequencies
dt = time[1] - time[0]
f_fft = np.fft.fftfreq(len(x), d=dt)
# Estimate PSD `S_xx_fft` at discrete frequencies `f_fft`
T = time[-1] - time[0]
S_xx_fft = ((np.abs(Xk) * dt) ** 2) / T
# Integrate PSD over spectral bandwidth to obtain signal power `P_fft`
df_fft = f_fft[1] - f_fft[0]
P_fft = np.sum(S_xx_fft) * df_fft
P_welch
的值(value)和
P_fft
应该彼此非常接近,以及接近信号中的预期功率,可以计算为
# Power in sinusoidal signal is simply squared RMS, and
# the RMS of a sinusoid is the amplitude divided by sqrt(2).
# Thus, the sinusoidal contribution to expected power is
P_exp = (amp / np.sqrt(2)) ** 2
# For white noise, as is considered in this example,
# the noise is simply the noise PSD (a constant)
# times the system bandwidth. This was already
# computed in the problem statement and is given
# as `noise_power`. Simply add to `P_exp` to get
# total expected signal power.
P_exp += noise_power
P_welch
和
P_fft
不会完全相等,甚至可能在数值精度内不相等。这是由于存在与功率谱密度估计相关的随机误差这一事实。为了减少此类错误,Welch 的方法将您的信号分成几个段(其大小由
nperseg
关键字控制),计算每个段的 PSD,并对 PSD 求平均值以获得对信号的更好估计PSD(平均段越多,产生的随机误差越小)。实际上,FFT 方法等效于仅对一个大段进行计算和平均。因此,我们预计
P_welch
之间会有一些差异。和
P_fft
,但我们应该期待
P_welch
更准确。
# Energy obtained via "integrating" over time
E = np.sum(x ** 2)
# Energy obtained via "integrating" DFT components over frequency.
# The fact that `E` = `E_fft` is the statement of
# the discrete version of Parseval's theorem.
N = len(x)
E_fft = np.sum(np.abs(Xk) ** 2) / N
S_xx_welch
, 以上通过
scipy.signal.welch(...)
计算, 涉及总能量
E
在信号中。从上面,
S_xx_fft = ((np.abs(Xk) * dt) ** 2) / T
.重新排列这个表达式中的项,我们看到
np.abs(Xk) ** 2 = (T / (dt ** 2)) * S_xx_fft
.更远,
np.sum(S_xx_fft) = P_fft / df_fft
还有那个
P_fft
和
P_welch
大致相等。此外,
P_welch = np.sum(S_xx_welch) / df_welch
以便我们获得
np.sum(S_xx_fft) = (df_welch / df_fft) * np.sum(S_xx_welch)
S_xx_fft = ((np.abs(Xk) * dt) ** 2) / T
.代入
S_xx_fft
进入上面的等式并重新排列项,我们得出
np.sum(np.abs(Xk) ** 2) = (T / (dt ** 2)) * (df_welch / df_fft) * np.sum(S_xx_welch)
T / dt = N
,其中
N
是信号中的采样点数。除以
N
,我们现在有一个 LHS,根据定义,它等于
E_fft
以上计算。因此,我们可以通过 Welch PSD 获得信号中的总能量
# Signal energy from Welch's PSD
E_welch = (1. / dt) * (df_welch / df_fft) * np.sum(S_xx_welch)
E
,
E_fft
, 和
E_welch
在值(value)上应该都非常接近:) 正如上一节末尾所讨论的,我们确实预计
E_welch
之间会有一些细微的差异。与
E
相比和
E_fft
,但这归因于从 Welch 方法得出的值减少了随机误差(即更准确)。
关于python - 使用 scipy.signal.welch 找不到合适的能量,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29429733/
假设我正在使用 segues 转换 View Controller 。我在 View Controller 1 上有一个 textField,在第二个 View Controller 上有一个标签。当
在下面的代码中,当我在表中插入数据时,回滚的目的是什么,如果我想回滚,我不应该插入它,那么使用回滚的合适方法是什么? BEGIN TRANSACTION Insert into dimCustomr
我一直在阅读一些帖子,并想知道是否有人可以介绍 TrieMap 何时比使用 HashMap 更可取的情况。 那么本质上是什么架构决策应该激励使用 TrieMap? 最佳答案 根据文档。 它是可以在多线
什么时候 do-while 比其他类型的循环更好?有哪些常见场景比其他场景更好? 我了解 do-while 的功能,但不了解何时使用它。 最佳答案 当您需要至少完成一次某事,但不知道启动循环之前的次数
fileExistsAtPath 的文档如下: Attempting to predicate behavior based on the current state of the file syst
当 XCode 分析我的代码时,它发现了潜在的内存泄漏。我使用 ARC,但我了解到 ARC 不处理 C 类型。因为我使用 CGImageRef 来创建 UIImage 并分配给 UIImageView
我有一个每天更新一次的大型数据集。我正在缓存对该数据进行昂贵查询的结果,但我想每天更新该缓存。我正在考虑使用 CacheItemRemovedCallback 每天重新加载我的缓存,但我有以下问题:
我了解 IoC 容器是什么,并且一直在阅读结构图。该技术似乎很容易使用。我的问题是,使用 IoC 容器的适当粒度级别是多少? 我看到以下可能的 IoC 应用级别: 打破所有对象之间的所有依赖关系——当
我用 Java 编写了一个应用程序。我从数据库中获取一个表(客户端),其中包含以下字段: 名称 |姓氏 |地址 在我的应用中存储这些数据的最佳解决方案是什么?我应该为每个客户端创建一个对象并将这些对象
这个问题在这里已经有了答案: Use of 'prototype' vs. 'this' in JavaScript? (16 个答案) 关闭 8 年前。 function A() { this
我已经试验了一段时间 asyncio 并阅读了 PEPs ;一些教程;甚至是 O'Reilly book 。 我想我已经掌握了窍门,但我仍然对 loop.close() 的行为感到困惑,我不太清楚何时
它是否正确,因为在 Windows 中并没有说它不好或不推荐。 例如像这样: int APIENTRY _tWinMain(HINSTANCE hInstance,
我在更新我的网站时遇到问题,谷歌搜索结果显示指向旧页面的链接,这些链接现在是 404,其中一些甚至包含已弃用的内容。 我的问题是关于 301 的使用。旧页面具有深层嵌套页面,如下例所示: ww
我使用 JUnit 和 FEST 对我们的应用程序进行 Swing 集成测试,我在测试用例中多次启动和停止。 @after 是否应该包含对 robot.cleanUp() 的调用? 最佳答案 一般规则
我是一名从未真正使用过 .dll 文件的程序员。当然,当我需要第 3 方软件时,例如图形库、帮助我创建图形的库等。我会将引用/ddl 文件添加到我的程序中并在我的代码中使用它们。 此外,您似乎可以将
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 这个问题似乎不是关于 a specific programming problem, a softwar
我目前正在尝试更多地利用 kotlin 协程。但我面临一个问题:在这些协程中使用 moshi 或 okhttp 时,我收到警告: “不适当的阻塞方法调用” 解决这些问题的最佳方法是什么?我真的不想不合
我有点不确定什么时候适合使用 Html.RenderAction() 来渲染我的 View ,什么时候不适合。我的理解是,因为它不是 ASP.NET MVC 的“官方”组件,所以使用它是不好的做法,它
假设你想开发你的 Controller ,以便你使用 ViewModel 来包含你渲染的 View 的数据,所有数据都应该包含在 ViewModel 中吗?什么条件下可以绕过 ViewModel? 我
您何时考虑在 .NET 中创建用户控件?您是否有一些基本标准来从页面中排除您的代码并引入新的用户控件? 通常我倾向于遵循这些来决定我是否需要用户控件: 当使用单独的用户控件使页面看起来更具可读性时 当
我是一名优秀的程序员,十分优秀!