![](/img/trans.png)
[英]Prefactors computing PSD of a signal with numpy.fft VS. scipy.signal.welch
[英]Scipy Spectrogram vs. multiple Numpy FFT's
我正在嘗試優化我給出的一些代碼,其中 FFT 取自時間序列上的滑動窗口(作為列表給出),並且每個結果都累積到一個列表中。 原代碼如下:
def calc_old(raw_data):
FFT_old = list()
for i in range(0, len(raw_data), bf.WINDOW_STRIDE_LEN):
if (i + bf.WINDOW_LEN) >= len(raw_data):
# Skip the windows that would extend beyond the end of the data
continue
data_tmp = raw_data[i:i+bf.WINDOW_LEN]
data_tmp -= np.mean(data_tmp)
data_tmp = np.multiply(data_tmp, np.hanning(len(data_tmp)))
fft_data_tmp = np.fft.fft(data_tmp, n=ZERO_PAD_LEN)
fft_data_tmp = abs(fft_data_tmp[:int(len(fft_data_tmp)/2)])**2
FFT_old.append(fft_data_tmp)
和新代碼:
def calc_new(raw_data):
data = np.array(raw_data) # Required as the data is being handed in as a list
f, t, FFT_new = spectrogram(data,
fs=60.0,
window="hann",
nperseg=bf.WINDOW_LEN,
noverlap=bf.WINDOW_OVERLAP,
nfft=bf.ZERO_PAD_LEN,
scaling='spectrum')
總之,舊代碼對時間序列加窗,去除均值,應用 Hann 加窗函數,取 FFT(補零時,如ZERO_PAD_LEN>WINDOW_LEN
),然后取實數一半的絕對值並將其平方為產生功率譜(單位 V**2)。 然后它通過WINDOW_STRIDE_LEN
移動窗口,並重復該過程,直到窗口超出數據的末尾。 這與WINDOW_OVERLAP
重疊。
據我所知,頻譜圖應該對我給出的參數做同樣的事情。 然而,FFT 的結果維度對於每個軸相差 1(例如,舊代碼是 MxN,新代碼是 (M+1)x(N+1))並且每個頻率倉中的值大不相同——幾個階在某些情況下,數量級。
我在這里缺少什么?
縮放
在實施calc_old
使用從輸出np.fft.fft
直接沒有任何縮放。
另一方面,實現calc_new
使用scipy.signal.spectrogram
,它最終使用np.fft.rfft
但也根據接收到的scaling
和return_onesided
參數scaling
結果。 進一步來說:
return_onesided=True
(因為您沒有在calc_new
提供明確的值),每個 bin 的值都會加倍以計算包括對稱 bin 在內的總能量。scaling='spectrum'
,這些值進一步按因子1.0/win.sum()**2
縮放。 對於選定的 Hann 窗口,對應於4/N**2
,其中N=bf.WINDOW_LEN
是窗口長度。 因此,您可能期望新實現cald_new
為您提供與calc_old
相比按8/bf.WINDOW_LEN**2
的總因子縮放的結果。 或者,如果您希望第二個實現與calc_old
具有相同的縮放比例,則應將scipy.signal.spectrogram
的結果乘以0.125 * bf.WINDOW_LEN**2
。
頻率倉的數量
給定偶數個點nperseg
,您的初始實現calc_old
僅保留nperseg//2
頻率箱。
另一方面,完整的非冗余半頻譜應該為您提供nperseg//2 + 1
頻率倉(有具有相應對稱性的nperseg-2
倉,加上 0Hz 和奈奎斯特速率下的 2 個非對稱倉,因此保留非冗余部分留給你(nperseg-2)//2 + 2 == nperseg//2 + 1
)。 這就是scipy.signal.spectrogram
返回的內容。
換句話說,您的初始實現calc_old
缺少奈奎斯特頻率倉。
時間步數
如果最后一個時間步計算bf.WINDOW_LEN
樣本少於bf.WINDOW_LEN
,則calc_old
的實現calc_old
跳過最后一個時間步。 只有當len(raw_data)-bf.WINDOW_STRIDE_LEN
是len(raw_data)-bf.WINDOW_STRIDE_LEN
的精確倍數時, bf.WINDOW_LEN
跳過這些樣本。 我猜您的特定輸入序列並非如此。
相反,如果需要, scipy.signal.spectrogram
用額外的樣本scipy.signal.spectrogram
數據,以便在頻譜圖計算期間使用所有輸入樣本,並且與您的calc_old
實現相比,這可能會導致一個額外的時間步calc_old
。
可能有人知道原因,為什么在將頻譜圖結果與手動 FFT 進行比較時會出現一些差異?
# Parametrs of signal and its preprocessing
sample_rate = 4
window_size = 512 * sample_rate
detrend = 'linear'
tukey_alpha = 0.25
[![enter image description here][1]][1]
# Spectrogram
f, t, S = scipy.signal.spectrogram(signal, sample_rate, nperseg=window_size, noverlap=sample_rate, scaling='spectrum', mode='magnitude', detrend=detrend)
# FFT on the leftmost window of signal
windowed_signal = signal[:window_size]
windowed_signal = scipy.signal.detrend(windowed_signal, type=detrend)
windowed_signal *= scipy.signal.windows.tukey(window_size, tukey_alpha)
A = np.fft.rfft(windowed_signal)
freqs = np.fft.rfftfreq(window_size) * sample_rate
positive_freqs_n = int(np.ceil(window_size / 2.))
freqs_slice = slice(0, positive_freqs_n)
magnitudes = np.abs(A)[freqs_slice] / window_size
# Plotting
plt.plot(f, S.T[0], label='First window from scipy.signal.spectrogram')
plt.plot(freqs[freqs_slice], magnitudes, alpha=0.5, label='np.fft on first window')
plt.yscale('log')
plt.xscale('log')
plt.legend()
plt.xlabel('Frequency, Hz')
plt.ylabel('Magnitude')
這種小的縱向分歧可能來自哪里? 謝謝!
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.