倒频谱原理与python实现

倒频谱定义

倒频谱可以分析复杂频谱图上的周期结构，分离和提取在密集调频信号中的周期成分，对于具有同族谐频、异族谐频和多成分边频等复杂信号的分析非常有效。倒频谱变换是频域信号的傅立叶积分变换的再变换。时域信号经过傅立叶积分变换可转换为频率函数或功率谱密度函数，如果频谱图上呈现出复杂的周期结构而难以分辨时，对功率谱密度取对数再进行一次傅立叶积分变换，可以使周期结构呈便于识别的谱线形式。第二次傅立叶变换的平方就是倒功率谱，即“对数功率谱的功率谱”。倒功率谱的开方即称幅值倒频谱，简称倒频谱。

简言之，倒频谱分析技术是将时域振动信号的功率谱对数化，然后进行逆傅里叶变化后得到的。倒频谱的水平轴为“倒频率”的伪时间，垂直轴为对应倒频率的幅值，其计算公式为：

倒频谱python案例

实现如下：

from scipy.fftpack import fft, fftshift, ifft
from scipy.fftpack import fftfreq
import numpy as np
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")fs = 1000
#采样点数
num_fft = 1024"""
生成原始信号序列在原始信号中加上噪声
np.random.randn(t.size)其中y1是主频为5/10/20Hz的低频信号+噪声信号;
y2是主频为50、100/200Hz的高频信号+噪声信号;
y是y1和y2的调制结果
"""
t = np.arange(0, 5, 1/fs)
y1 = 10*np.cos(2*np.pi*5*t) + 7*np.cos(2*np.pi*10*t) + 5*np.cos(2*np.pi*20*t) + np.random.randn(t.size)
y2 = 20*np.cos(2*np.pi*50*t) + 15*np.cos(2*np.pi*100*t) + 25*np.cos(2*np.pi*200*t) + np.random.randn(t.size)
y = y1*y2plt.figure(figsize=(20, 12))
ax=plt.subplot(331)
ax.set_title('y1')
plt.plot(y1)ax=plt.subplot(332)
ax.set_title('y2')
plt.plot(y2)ax=plt.subplot(333)
ax.set_title('y=y1*y2')
plt.plot(y)"""
对低频信号y1进行 FFT(Fast Fourier Transformation)快速傅里叶变换
"""
Y1 = fft(y1, num_fft)
Y1 = np.abs(Y1)ax=plt.subplot(334)
ax.set_title('y1 fft')
plt.plot(Y1[:num_fft//2])"""
对高频信号y2进行 FFT
"""
Y2 = fft(y2, num_fft)
Y2 = np.abs(Y2)ax=plt.subplot(335)
ax.set_title('y2 fft')
plt.plot(Y2[:num_fft//2])"""
对信号y进行 FFT
"""
Y = fft(y, num_fft)
Y = np.abs(Y)ax=plt.subplot(336)
ax.set_title('y fft')
plt.plot(Y[:num_fft//2])
plt.tight_layout()
plt.show()

"""
倒频谱的定义表述为：信号→功率谱→对数→傅里叶逆变换
"""
spectrum = np.fft.fft(y, n=num_fft)
ceps = np.fft.ifft(np.log(np.abs(spectrum))).realplt.figure(figsize=(10, 5))
plt.plot(np.abs(ceps)[:num_fft//2])
plt.title('y->spectrum->log->ifft')
plt.ylim([0, 0.2])
plt.show()

代码来源于网络，本文对代码进行注释并整理

相似推荐
功率谱原理与python实现

脑机学习者Rose笔记分享,QQ交流群：903290195
更多分享，请关注公众号

倒频谱原理与python实现相关推荐

信号处理之频谱原理与python实现
目录频谱分析 FFT频谱分析原理下面就用python案例进行说明案例1 案例2 短时傅里叶变换STFT 本分享为脑机学习者Rose整理发表于公众号:脑机接口社区.QQ交流群:941473018 ...
Python在振动信号处理中的应用（十一）：倒频谱（Cepstrum）计算
文章目录一.概述二.算法原理 2.1 实倒谱 2.2 复倒谱 3 算法在python中实现四.TIPS 一.概述倒频谱(Cepstrum)也叫倒谱.二次谱和对数功率谱等.倒频谱的工程型定义 ...
频域特征提取的Python实现（频谱、功率谱、倒频谱）
频域特征提取的Python实现(频谱.功率谱.倒频谱) 本文只对频域特征值提取的MATLAB代码实现(频谱.功率谱.倒频谱) 做代码翻译,用python重写一遍,以加强对这些特征的理解 1. 频谱 ...
信号频域分析方法的理解（频谱、能量谱、功率谱、倒频谱、小波分析）
信号的频域分析方法多种多样,这里针对较为常见的(频谱.能量谱.功率谱.倒频谱.小波分析)集中进行说明.这些方法的MATLAB代码实现参见文章频域特征值提取的MATLAB代码实现(频谱.功率谱.倒频谱) ...
python gdbt+fm_GBDT回归的原理及Python实现
提到GBDT回归相信大家应该都不会觉得陌生(不陌生你点进来干嘛[捂脸]),本文就GBDT回归的基本原理进行讲解,并手把手.肩并肩地带您实现这一算法. 完整实现代码请参考本人的p...哦不是...git ...
手把手教你EMD算法原理与Python实现(更新)
Rose今天主要介绍一下EMD算法原理与Python实现.关于EMD算法之前介绍过<EMD算法之Hilbert-Huang Transform原理详解和案例分析>, SSVEP信号中含有自 ...
冲量（momentum）的原理与Python实现
冲量(momentum)的原理与Python实现前言参考:https://www.jianshu.com/p/58b3fe300ecb 梯度下降法(Gradient Descent)是机器学习中最 ...
python实现逻辑回归的流程_逻辑回归原理及其python实现
September 28, 2018 7 min to read 逻辑回归原理及其python实现原理逻辑回归模型: $h_{\theta}(x)=\frac{1}{1+e^{-{\theta}^ ...
典型相关分析(cca)原理_CCA典型关联分析原理与Python案例
文章来源于"脑机接口社区" CCA典型关联分析原理与Python案例mp.weixin.qq.com Rose今天分享一下CCA的相关原理以及Python应用,CCA在EEG等脑 ...

倒频谱原理与python实现

目录

倒频谱定义

倒频谱python案例

倒频谱原理与python实现相关推荐

最新文章

热门文章