1. 功率谱密度计算基础
功率谱密度(PSD)是信号处理中分析信号频率成分的重要工具。它描述了信号功率在不同频率上的分布情况，单位为V²/Hz。在工程实践中，我们通常使用Welch方法来估计PSD，这是一种改进的周期图法，通过分段平均来减少方差。
1.1 Welch方法的核心思想
Welch方法的核心在于三个关键步骤：
- 信号分段：将长信号划分为若干重叠的短段
- 窗函数处理：每段乘以窗函数以减少频谱泄漏
- 分段平均：对各段功率谱进行平均以降低估计方差
这种方法相比直接对整个信号做FFT有两个主要优势：
- 减少了由于有限观测时间导致的频谱泄漏
- 通过平均降低了功率谱估计的方差
提示：在实际应用中，通常选择50%的重叠率，这能在计算复杂度和统计稳定性之间取得良好平衡。
1.2 关键参数选择
在实现Welch方法时，有几个关键参数需要特别注意：
-
nperseg(段长度)：决定了频率分辨率Δf=fs/nperseg
- 较长的段提供更好的频率分辨率
- 但会减少分段数量，增加估计方差
-
noverlap(重叠点数)：通常设为nperseg的50%
- 增加重叠可以提高分段数量
- 但计算量也会相应增加
-
窗函数选择：汉宁窗(Hann)是最常用的选择
- 能有效抑制频谱泄漏
- 需要区分"对称"和"周期"两种形式
2. 手动实现Welch方法
2.1 信号准备与分段处理
首先我们需要准备测试信号并进行分段处理：
python复制import numpy as np
from scipy.signal.windows import get_window
from scipy.fft import rfft, rfftfreq
# 信号参数设置
fs = 1000 # 采样率1000Hz
n_points = 512 # 信号长度
t = np.linspace(0, n_points/fs, n_points, endpoint=False)
x = 2 * np.sin(2 * np.pi * 100 * t) # 100Hz正弦波
# 分段参数
nperseg = 256
noverlap = nperseg // 2 # 50%重叠
step = nperseg - noverlap # 步长
# 信号分段
segments = []
for start in range(0, len(x) - nperseg + 1, step):
segments.append(x[start:start + nperseg])
segments = np.array(segments)
这里有几个关键细节需要注意：
- 信号长度n_points最好选择2的幂次，便于FFT计算
- 分段时确保不超出信号范围(len(x)-nperseg+1)
- 步长step=nperseg-noverlap确保正确的重叠量
2.2 预处理与窗函数应用
分段后的信号需要进行预处理：
python复制# 去除直流分量(detrend)
segments -= segments.mean(axis=1, keepdims=True)
# 应用周期汉宁窗
window = get_window('hann', nperseg, fftbins=True)
segments *= window
这里有几个容易出错的地方：
detrend='constant'实际上就是减去每段的均值- 必须使用
scipy.signal.windows.get_window而非np.hanning fftbins=True参数确保得到的是周期窗而非对称窗
注意：numpy的hanning函数与scipy的hann窗在边界处理上有所不同，这是导致结果差异的常见原因。
2.3 FFT变换与功率谱计算
接下来进行FFT变换和功率谱计算：
python复制# 计算FFT
Xf = rfft(segments, axis=1)
# 计算功率谱
Pxx = np.abs(Xf)**2
U = np.sum(window**2) # 窗函数能量
Pxx /= (fs * U) # 功率谱密度归一化
# 单边谱修正
if nperseg % 2 == 0:
Pxx[:, 1:-1] *= 2 # 偶数长度：修正除0和Nyquist外的所有点
else:
Pxx[:, 1:] *= 2 # 奇数长度：修正除0外的所有点
# 分段平均
Pxx_numpy = Pxx.mean(axis=0)
# 频率轴
f = rfftfreq(nperseg, 1/fs)
这部分有几个关键点：
- 使用
rfft而非fft计算实数信号的FFT，效率更高 - 功率谱归一化时需要考虑窗函数能量U
- 单边谱修正必须跳过0频率和Nyquist频率(如果存在)
3. 与scipy.welch函数对比验证
3.1 scipy.welch函数调用
使用scipy内置的welch函数进行计算：
python复制from scipy.signal import welch
f_scipy, Pxx_scipy = welch(
x,
fs=fs,
window='hann_periodic', # 周期汉宁窗
nperseg=256,
scaling='density',
detrend='constant'
)
3.2 结果对比与分析
通过对比手动实现和scipy.welch的结果，我们可以验证实现的正确性：
python复制print("手动实现与scipy.welch结果差异:", np.max(np.abs(Pxx_numpy - Pxx_scipy)))
# 输出应该是一个非常小的数值(如1e-16量级)
如果实现正确，两者的差异应该在数值误差范围内。常见的差异来源包括：
- 窗函数类型不正确(对称vs周期)
- 遗漏了单边谱修正
- 归一化因子计算错误
4. 实际应用中的注意事项
4.1 参数选择建议
-
频率分辨率与方差权衡：
- 需要高频率分辨率 → 增大nperseg
- 需要低方差 → 增加分段数(减小nperseg或增加noverlap)
-
窗函数选择：
- 汉宁窗：通用选择，平衡主瓣宽度和旁瓣衰减
- 平顶窗：需要精确幅度测量时使用
- 矩形窗：需要最高频率分辨率时使用(但旁瓣泄漏严重)
4.2 常见问题排查
-
结果出现异常峰值：
- 检查是否进行了正确的去趋势处理
- 验证窗函数应用是否正确
- 确保信号中没有直流偏移或瞬态干扰
-
频率分辨率不足：
- 增加nperseg(但会减少分段数)
- 考虑使用零填充(但不会增加真实分辨率)
-
估计方差过大：
- 增加分段数(减小nperseg或增加noverlap)
- 考虑使用重叠率大于50%
5. 性能优化技巧
5.1 计算效率优化
对于长信号处理，可以考虑以下优化：
- 使用stft函数：对于只需要幅度谱的情况，
scipy.signal.stft可能更高效 - 并行计算：分段处理天然适合并行化
- 内存优化：对于极长信号，考虑分块处理
5.2 数值稳定性考虑
- 避免数值溢出：在计算
np.abs(Xf)**2前可以先对Xf进行归一化 - 处理极低功率：对结果加一个小常数避免对数运算问题
- 窗函数能量计算：可以预先计算常用窗函数的U值
6. 扩展应用
6.1 多通道信号处理
对于多通道信号(如EEG数据)，可以沿特定轴进行处理：
python复制# x形状为(n_samples, n_channels)
f, Pxx = welch(x, fs=fs, axis=0) # 沿时间轴计算
6.2 时变谱分析
通过滑动窗口实现时频分析：
python复制spectrogram = []
for i in range(0, len(x)-nperseg, step):
seg = x[i:i+nperseg]
f, Pxx = welch(seg, fs=fs, nperseg=nperseg)
spectrogram.append(Pxx)
这种实现虽然简单，但对于长信号效率不高，可以考虑使用scipy.signal.spectrogram函数。
在实际工程应用中，正确理解和实现Welch方法对于信号分析至关重要。通过手动实现并与标准库函数对比，可以深入掌握功率谱估计的细节。特别要注意窗函数选择、单边谱修正和归一化处理等关键步骤，这些细节往往决定了分析结果的准确性。