信号处理中Welch方法实现与功率谱密度计算详解

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：

1. 信号分段：将长信号划分为若干重叠的短段
2. 窗函数处理：每段乘以窗函数以减少频谱泄漏
3. 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：

1. 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

2. 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

3. 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
nove