Matlab实现经典功率谱分析和估计

Matlab 实现经典功率谱分析和估计

功率谱

功率谱是功率谱密度函数的简称,它定义为单位频带内的信号功率。它表示了信号功率随着频率的变化情况,即信号功率在频域的分布状况。功率谱表示了信号功率随着频率的变化关系 。
常用于功率信号(区别于能量信号)的表述与分析,其曲线(即功率谱曲线)一般横坐标为频率,纵坐标为功率。周期性连续信号x(t)的频谱可表示为离散的非周期序列XnXnXn,它的幅度频谱的平方│Xn│2│Xn│2│Xn│2所排成的序列,就被称之为该周期信号的“功率谱”。

Matlab使用

fft做出来是频谱,psd做出来是功率谱;功率谱丢失了频谱的相位信息;频谱不同的信号其功率谱是可能相同的;功率谱是幅度取模后平方,结果是个实数。matlab中自功率谱密度直接用psd函数就可以求,按照matlab的说法,psd能实现Welch法估计,即相当于用改进的平均周期图法来求取随机信号的功率谱密度估计。psd求出的结果应该更光滑吧。

1.直接法

直接法又称周期图法,它是把随机序列x(n)x(n)x(n)的NNN个观测数据视为一能量有限的序列,直接计算x(n)x(n)x(n)的离散傅立叶变换,得X(k)X(k)X(k),然后再取其幅值的平方,并除以NNN,作为序列x(n)x(n)x(n)真实功率谱的估计。

Matlab代码示例

clear;
Fs=1000; %采样频率
n=0:1/Fs:1;
%产生含有噪声的序列
xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));
window=boxcar(length(xn)); %矩形窗
nfft=1024;
[Pxx,f]=periodogram(xn,window,nfft,Fs); %直接法

subplot(1,2,1);
plot(xn);title('原始信号');
subplot(1,2,2);
plot(f,10*log10(Pxx));title('周期图法信号');

结果,左图原始信号,右图为周期图法信号。
在这里插入图片描述

2.间接法

间接法先由序列x(n)x(n)x(n)估计出自相关函数R(n)R(n)R(n),然后对R(n)R(n)R(n)进行傅立叶变换,便得到x(n)x(n)x(n)的功率谱估计。
Matlab 代码示例:

clear;
Fs=1000; %采样频率
n=0:1/Fs:1;
%产生含有噪声的序列
xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));
nfft=1024;
cxn=xcorr(xn,'unbiased'); %计算序列的自相关函数
CXk=fft(cxn,nfft);
Pxx=abs(CXk);
index=0:round(nfft/2-1);
k=index*Fs/nfft;
plot_Pxx=10*log10(Pxx(index+1));
subplot(1,2,1);
plot(xn);title('原始信号');
subplot(1,2,2);
plot(k,plot_Pxx);title('间接法信号');

结果,右图为间接法
在这里插入图片描述

3.改进直接法:Bartlett法

对于直接法的功率谱估计,当数据长度N太大时,谱曲线起伏加剧,若N太小,谱的分辨率又不好,因此需要改进。

Bartlett平均周期图的方法是将N点的有限长序列x(n)分段求周期图再平均。
Matlab代码示例:

clear;
Fs=1000;
n=0:1/Fs:1;
xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));
nfft=1024;
window=boxcar(length(n)); %矩形窗
noverlap=0; %数据无重叠
p=0.9; %置信概率
[Pxx,Pxxc]=psd(xn,nfft,Fs,window,noverlap,p);
index=0:round(nfft/2-1);
k=index*Fs/nfft;
plot_Pxx=10*log10(Pxx(index+1));
plot_Pxxc=10*log10(Pxxc(index+1));
subplot(1,2,1);
plot(k,plot_Pxx);title('直接法信号');
subplot(1,2,2);
plot(k,[plot_Pxx plot_Pxx-plot_Pxxc plot_Pxx+plot_Pxxc]);title('Bartlett信号');

结果,左图为直接法,右图为Bartlett法
在这里插入图片描述

4.Welch法

Welch法对Bartlett法进行了两方面的修正,一是选择适当的窗函数w(n)w(n)w(n),并再周期图计算前直接加进去,加窗的优点是无论什么样的窗函数均可使谱估计非负。二是在分段时,可使各段之间有重叠,这样会使方差减小。
Matlab代码示例:

clear;
Fs=1000;
n=0:1/Fs:1;
xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));
nfft=1024;
window=boxcar(100); %矩形窗
window1=hamming(100); %海明窗
window2=blackman(100); %blackman窗
noverlap=20; %数据无重叠
range='half'; %频率间隔为[0 Fs/2],只计算一半的频率
[Pxx,f]=pwelch(xn,window,noverlap,nfft,Fs,range);
[Pxx1,f1]=pwelch(xn,window1,noverlap,nfft,Fs,range);
[Pxx2,f2]=pwelch(xn,window2,noverlap,nfft,Fs,range);
plot_Pxx=10*log10(Pxx);
plot_Pxx1=10*log10(Pxx1);
plot_Pxx2=10*log10(Pxx2);

subplot(1,3,1);
plot(f,plot_Pxx);title('矩形窗');

subplot(1,3,2);
plot(f1,plot_Pxx1);title('汉明窗');

subplot(1,3,3);
plot(f2,plot_Pxx2);title('blackman窗');

结果,从左至右分别为:矩形窗海明窗blackman窗
在这里插入图片描述

附上谋篇论文,分析EEG信号功率谱代码

Matlab 代码:

fs=200;
n=0:1/fs:1;
xn=cos(2*pi*40*n)+cos(2*pi*41*n)+3*cos(2*pi*90*n)+0.1*randn(size(n));
window=boxcar(length(xn));
nfft=512;
[pxx,f]=periodogram(xn,window,nfft,fs);
figure(12);
subplot(121);
plot(f,10*log10(pxx));
xlabel('frequency(hz)');
ylabel('power spectral density(db/hz)');
title('period psd estimate');
orderl=50;
range='half';
magunits='db';
subplot(122);
pburg(xn,orderl,nfft,fs,range);

在这里插入图片描述

©️2020 CSDN 皮肤主题: 1024 设计师: 上身试试 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值