功率谱密度python代码

以下是一个计算功率谱密度的示例Python代码：

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt

# 生成一个随机信号
fs = 1000  # 采样率
T = 1 / fs  # 采样周期
N = 1000  # 信号长度
t = np.arange(0, N*T, T)  # 时间向量
x = np.sin(2*np.pi*50*t) + np.sin(2*np.pi*120*t)  # 输入信号

# 计算功率谱密度
f, Pxx = signal.welch(x, fs)

# 绘制功率谱密度图
plt.figure()
plt.semilogy(f, Pxx)
plt.xlabel('Frequency [Hz]')
plt.ylabel('Power Spectral Density')
plt.title('Power Spectral Density')
plt.grid()
plt.show()

以上代码使用`scipy`库中的`signal.welch`函数来计算信号的功率谱密度，并使用`matplotlib`库绘制功率谱密度图。你可以根据需要修改采样率、信号长度和输入信号。

相关问题

功率谱密度python

在Python中，可以使用Scipy库中的signal模块来计算功率谱密度。以下是一个示例代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

# 生成随机信号
fs = 1000  # 采样率
t = np.arange(0, 1, 1/fs)
x = np.sin(2*np.pi*50*t) + np.sin(2*np.pi*100*t) + np.random.randn(len(t))

# 计算功率谱密度
f, Pxx = signal.welch(x, fs, nperseg=1024)

# 绘制功率谱密度图
plt.semilogy(f, Pxx)
plt.xlabel('frequency [Hz]')
plt.ylabel('PSD [V**2/Hz]')
plt.show()

在上面的代码中，我们首先生成一个包含两个正弦波和噪声的随机信号。然后使用`signal.welch`函数计算信号的功率谱密度，其中`fs`为信号的采样率，`nperseg`为计算功率谱密度时每个段的长度。最后，使用`matplotlib`库中的`semilogy`函数绘制功率谱密度图。

功率谱密度 python

### 使用Python实现功率谱密度计算与分析

#### 1. 导入必要的库
为了进行功率谱密度(Power Spectral Density, PSD)的计算和绘图，需要导入一些常用的科学计算库。

import numpy as np
from scipy.signal import welch
import matplotlib.pyplot as plt

这些库提供了强大的功能来处理数值运算、信号处理以及图形展示[^1]。

#### 2. 创建测试信号
创建一个合成的时间序列作为输入信号用于后续PSD分析。这里构建了一个由正弦波叠加而成的人工信号加上随机噪声成分模拟真实世界的数据特征。

fs = 10e3  # Sampling frequency (Hz)
N = 1e5    # Number of sample points
t = np.linspace(0, N/fs, int(N))
frequencies = [75, 180]
amplitudes = [1, 0.5]

signal = sum([amp * np.sin(2*np.pi*freq*t) for amp, freq in zip(amplitudes, frequencies)])
noise = 0.5 * np.random.normal(size=t.shape)

data = signal + noise
plt.plot(t[:int(fs)], data[:int(fs)])
plt.title('Synthetic Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude');

这段代码生成了一组含有特定频率分量的混合信号，并加入了高斯白噪声音以更贴近实际情况下的测量数据特性。

#### 3. 计算功率谱密度
采用Welch's method来进行PSD估计，这是一种广泛应用于工程实践中的非参数化方法，它通过对原始时间序列划分多个子集并求取各自的FFT后再做平均从而获得更加平滑的结果。

frequencies_welch, psd_welch = welch(data, fs=fs, scaling='density')

fig, ax = plt.subplots()
ax.semilogy(frequencies_welch, psd_welch)
ax.set_xlabel('Frequency [$\mathrm{Hz}$]')
ax.set_ylabel('Power spectral density [$\mathrm{V}^2/\mathrm{Hz}$]');

上述过程展示了如何基于`scipy.signal.welch()`函数快速有效地完成对给定时间序列样本的PSD评估工作流程[^4]。

#### 4. 结果解释
得到的图表显示了不同频率对应的功率强度大小关系曲线，这有助于识别存在于原有时域记录内的周期性模式及其相对重要程度。对于实际应用场景而言，这样的频域视角能够帮助工程师们发现潜在的问题所在或是优化系统的性能表现[^3]。