频域特征指标详解

频域特征指标详解

在信号分析中，频域分析是通过傅里叶变换将信号从时域转到频域，帮助我们理解信号的频谱特性。频域特征指标是用来描述信号频谱特性的重要工具，常见的频域特征指标包括：重心频率、均方频率、均方根频率、频率方差和频率标准差。下面我们将详细讲解这些频域特征指标。

目录

1. 重心频率 (Centroid Frequency)
2. 均方频率 (Mean Squared Frequency)
3. 均方根频率 (Root Mean Square Frequency)
4. 频率方差 (Frequency Variance)
5. 频率标准差 (Frequency Standard Deviation)
6. 代码实现及解读

1. 重心频率 (Centroid Frequency)

重心频率，也称为频率中心，是频谱中信号的“质量中心”，它反映了信号频谱的中心位置。重心频率的定义为：

$$f_{\text{centroid}}=\frac{{\sum }_{i=1}^N{f}_i|X(f_i){|}^2}{{\sum }_{i=1}^N|X(f_i){|}^2}$$

其中：

• $f_i$ 是第$i$个频率点，
• $X(f_i)$ 是信号在频率 $f_i$ 处的幅值，
• $N$ 是频谱中的总频率点数。

数学推导：

重心频率可以看作是频谱的加权平均频率。其计算方式为，所有频率成分按其幅度平方加权，然后求加权后的频率的平均值。

物理意义：

重心频率反映了信号的“中心”频率，或者说是信号频率分布的平均位置。若重心频率较低，表示信号中低频成分较多；若重心频率较高，表示信号中高频成分较多。

2. 均方频率 (Mean Squared Frequency)

均方频率是频谱的二阶矩，用来描述频谱的平均频率的平方。均方频率的定义为：

$$f_{\text{mean squared}}=\frac{{\sum }_{i=1}^N{f}_i^2|X(f_i){|}^2}{{\sum }_{i=1}^N|X(f_i){|}^2}$$

其中：

• $f_i$ 是第$i$个频率点，
• $X(f_i)$ 是信号在频率 $f_i$ 处的幅值，
• $N$ 是频谱中的总频率点数。

数学推导：

均方频率是频率的平方的加权平均，其中权重为每个频率成分的能量。均方频率提供了信号频谱分布的二阶统计信息。

物理意义：

均方频率反映了频谱的能量分布的集中程度。频谱的能量越集中在高频区域，均方频率的值就越大。

3. 均方根频率 (Root Mean Square Frequency)

均方根频率是均方频率的平方根，用来衡量频谱分布的集中程度。其定义为：

$$f_{\text{RMS}}=\sqrt{\frac{{\sum }_{i=1}^N{f}_i^2|X(f_i){|}^2}{{\sum }_{i=1}^N|X(f_i){|}^2}}$$

其中：

• $f_i$ 是第$i$个频率点，
• $X(f_i)$ 是信号在频率 $f_i$ 处的幅值，
• $N$ 是频谱中的总频率点数。

数学推导：

均方根频率是对频谱中每个频率点进行加权的平方根，其权重为信号的能量。它是描述信号频谱分布的一个集中度的指标。

物理意义：

均方根频率是衡量信号频谱能量分布的集中程度的指标，通常用于描述信号的频率特征和频谱宽度。较高的均方根频率意味着信号的频率成分分布较为广泛，能量分布在较高的频率范围。

4. 频率方差 (Frequency Variance)

频率方差是信号频谱中各个频率成分的波动程度，它是频率的二阶中心矩。其定义为：

$${\sigma }_f^2=\frac{{\sum }_{i=1}^N(f_i-f_{\text{centroid}}{)}^2|X(f_i){|}^2}{{\sum }_{i=1}^N|X(f_i){|}^2}$$

其中：

• $f_i$ 是第$i$个频率点，
• $f_{\text{centroid}}$ 是信号的重心频率，
• $X(f_i)$ 是信号在频率 $f_i$ 处的幅值，
• $N$ 是频谱中的总频率点数。

数学推导：

频率方差是频率偏离重心频率的程度的加权平均。它描述了信号频谱的分散程度或波动程度，方差越大，表明信号频谱的分布越分散。

物理意义：

频率方差越大，说明信号的频谱更加分散，频率成分的波动性较强。相反，频率方差越小，说明频率成分分布较为集中。

5. 频率标准差 (Frequency Standard Deviation)

频率标准差是频率方差的平方根，用来衡量信号频谱的分布的广度。其定义为：

$${\sigma }_f=\sqrt{\frac{{\sum }_{i=1}^N(f_i-f_{\text{centroid}}{)}^2|X(f_i){|}^2}{{\sum }_{i=1}^N|X(f_i){|}^2}}$$

其中：

• $f_i$ 是第$i$个频率点，
• $f_{\text{centroid}}$ 是信号的重心频率，
• $X(f_i)$ 是信号在频率 $f_i$ 处的幅值，
• $N$ 是频谱中的总频率点数。

数学推导：

频率标准差是频率方差的平方根。它是描述信号频谱分布的广度和频谱集中程度的指标。

物理意义：

频率标准差越大，说明信号频谱的宽度越大，频率成分较为分散；而标准差较小，说明频谱较为集中，信号的频率特征较为稳定。

6. 代码实现及解读

下面的Python代码展示了如何计算这些频域特征指标。

import numpy as np
import matplotlib.pyplot as plt

# 计算频谱
def compute_spectrum(x, fs):
    N = len(x)
    X = np.fft.fft(x)
    freqs = np.fft.fftfreq(N, 1/fs)
    X_mag = np.abs(X)
    return freqs[:N//2], X_mag[:N//2]

# 重心频率
def centroid_frequency(f, X_mag):
    return np.sum(f * X_mag**2) / np.sum(X_mag**2)

# 均方频率
def mean_squared_frequency(f, X_mag):
    return np.sum(f**2 * X_mag**2) / np.sum(X_mag**2)

# 均方根频率
def rms_frequency(f, X_mag):
    return np.sqrt(np.sum(f**2 * X_mag**2) / np.sum(X_mag**2))

# 频率方差
def frequency_variance(f, X_mag, f_centroid):
    return np.sum((f - f_centroid)**2 * X_mag**2) / np.sum(X_mag**2)

# 频率标准差
def frequency_std(f, X_mag, f_centroid):
    return np.sqrt(np.sum((f - f_centroid)**2 * X_mag**2) / np.sum(X_mag**2))

# 示例信号（正弦波+噪声）
fs = 1000  # 采样频率
T = 1      # 信号时长
t = np.linspace(0, T, fs)
x = np.sin(2 * np.pi * 50 * t) + 0.5 * np.random.randn(fs)

# 计算频谱
f, X_mag = compute_spectrum(x, fs)

# 计算各个频域特征
f_centroid = centroid_frequency(f, X_mag)
f_mean_squared = mean_squared_frequency(f, X_mag)
f_rms = rms_frequency(f, X_mag)
f_variance = frequency_variance(f, X_mag, f_centroid)
f_std = frequency_std(f, X_mag, f_centroid)

# 输出结果
print("重心频率:", f_centroid)
print("均方频率:", f_mean_squared)
print("均方根频率:", f_rms)
print("频率方差:", f_variance)
print("频率标准差:", f_std)

# 绘制频谱
plt.figure(figsize=(10, 6))
plt.plot(f, X_mag)
plt.title('Frequency Spectrum')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Magnitude')
plt.grid(True)
plt.show()

代码简要解读：

1. 频谱计算：通过FFT（快速傅里叶变换）计算信号的频谱。
2. 重心频率：通过加权平均频率来计算信号的频谱中心。
3. 均方频率：计算频谱的加权平均的平方频率。
4. 均方根频率：计算频谱的加权平方根频率。
5. 频率方差与标准差：通过频率偏离重心频率的程度计算频率方差和标准差。