pmtmgydF4y2Ba

多锥功率谱密度估计gydF4y2Ba

折叠所有页面gydF4y2Ba

语法gydF4y2Ba

pxx=pmtm（x）gydF4y2Ba
pxx=pmtm（x，nw）gydF4y2Ba
pxx = pmtm (x, nw, nfft)gydF4y2Ba
[pxx, w] = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba
[pxx f] = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba，财政司司长）gydF4y2Ba
[pxx，w]=pmtm（x，nw，w）gydF4y2Ba
[pxx f] = pmtm (x, nw, f, f)gydF4y2Ba
［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba、方法)gydF4y2Ba
［gydF4y2Ba＿＿＿gydF4y2Ba] = pmtm (x, e, v)gydF4y2Ba
［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (x, dpss_params)gydF4y2Ba
［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba、“DropLastTaper”dropflag)gydF4y2Ba
［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Bafreqrange)gydF4y2Ba
［gydF4y2Ba＿＿＿gydF4y2Bapxxc] = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba、“ConfidenceLevel”概率)gydF4y2Ba
pmtm (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

pxxgydF4y2Ba= pmtm (gydF4y2BaxgydF4y2Ba）gydF4y2Ba返回Thomson的多线程功率谱密度（PSD）估计值，gydF4y2BapxxgydF4y2Ba，输入信号，gydF4y2BaxgydF4y2Ba．当gydF4y2BaxgydF4y2Ba是一个矢量，它被视为单个通道。当gydF4y2BaxgydF4y2Ba是一个矩阵，PSD独立计算每一列，并存储在gydF4y2BapxxgydF4y2Ba．锥形是离散长椭球体(DPSS)，或Slepian序列。time-halfbandwidth,gydF4y2Ba西北gydF4y2Ba，乘积是4。默认情况下,gydF4y2BapmtmgydF4y2Ba使用前2个×gydF4y2Ba西北gydF4y2Ba–1个DPSS序列。如果gydF4y2BaxgydF4y2Ba实值,gydF4y2BapxxgydF4y2Ba是片面的PSD估计。如果gydF4y2BaxgydF4y2Ba是复数,gydF4y2BapxxgydF4y2Ba是一个双边PSD估计。点数，gydF4y2BanfftgydF4y2Ba，在离散傅里叶变换(DFT)中是大于信号长度的256的最大值或2的次幂。gydF4y2Ba

例子gydF4y2Ba

pxxgydF4y2Ba= pmtm (gydF4y2BaxgydF4y2Ba，gydF4y2Ba西北gydF4y2Ba）gydF4y2Ba使用时间-半带宽乘积，gydF4y2Ba西北gydF4y2Ba，得到多锥度PSD估计值。时间-半带宽乘积控制多锥度估计的频率分辨率。gydF4y2BapmtmgydF4y2Ba采用2×gydF4y2Ba西北gydF4y2Ba- PSD估计中有1个Slepian锥形。gydF4y2Ba

例子gydF4y2Ba

pxxgydF4y2Ba= pmtm (gydF4y2BaxgydF4y2Ba，gydF4y2Ba西北gydF4y2Ba，gydF4y2BanfftgydF4y2Ba）gydF4y2Ba使用gydF4y2BanfftgydF4y2BaDFT中的点。如果gydF4y2BanfftgydF4y2Ba大于信号长度，gydF4y2BaxgydF4y2Ba长度是零填充的吗gydF4y2BanfftgydF4y2Ba．如果gydF4y2BanfftgydF4y2Ba小于信号长度，信号被包裹为模gydF4y2BanfftgydF4y2Ba．gydF4y2Ba

［gydF4y2BapxxgydF4y2Ba，gydF4y2BawgydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba返回归一化频率矢量，gydF4y2BawgydF4y2Ba．如果gydF4y2BapxxgydF4y2Ba是片面的PSD估计，gydF4y2BawgydF4y2Ba区间[0，π] ifgydF4y2BanfftgydF4y2Ba为偶数，[0，gydF4y2BaπgydF4y2Ba)如果gydF4y2BanfftgydF4y2Ba是奇数。如果gydF4y2BapxxgydF4y2Ba是一个双边PSD估计，gydF4y2BawgydF4y2Ba区间[0,2 .gydF4y2BaπgydF4y2Ba)．gydF4y2Ba

例子gydF4y2Ba

［gydF4y2BapxxgydF4y2Ba，gydF4y2BafgydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba，gydF4y2BafsgydF4y2Ba）gydF4y2Ba返回一个频率矢量，gydF4y2BafgydF4y2Ba，单位为单位时间的循环数。采样率，gydF4y2BafsgydF4y2Ba，表示单位时间内的样本数。如果时间单位是秒，那么gydF4y2BafgydF4y2Ba以周期/秒（Hz）为单位。对于实值信号，gydF4y2BafgydF4y2Ba跨越区间[0，gydF4y2BafsgydF4y2Ba/ 2)当gydF4y2BanfftgydF4y2Ba为偶数，[0，gydF4y2BafsgydF4y2Ba/ 2)gydF4y2BanfftgydF4y2Ba是奇数。为复值信号,gydF4y2BafgydF4y2Ba跨越区间[0，gydF4y2BafsgydF4y2Ba)．gydF4y2BafsgydF4y2Ba必须是第四个输入gydF4y2BapmtmgydF4y2Ba．若要输入一个抽样率并且仍然使用前面可选参数的默认值，请将这些参数指定为空，gydF4y2Ba［］gydF4y2Ba．gydF4y2Ba

［gydF4y2BapxxgydF4y2Ba，gydF4y2BawgydF4y2Ba) = pmtm (gydF4y2BaxgydF4y2Ba，gydF4y2Ba西北gydF4y2Ba，gydF4y2BawgydF4y2Ba）gydF4y2Ba返回指定的归一化频率下的双边多锥形PSD估计gydF4y2BawgydF4y2Ba.向量gydF4y2BawgydF4y2Ba必须包含至少两个元素，否则函数将其解释为gydF4y2BanfftgydF4y2Ba．gydF4y2Ba

［gydF4y2BapxxgydF4y2Ba，gydF4y2BafgydF4y2Ba) = pmtm (gydF4y2BaxgydF4y2Ba，gydF4y2Ba西北gydF4y2Ba，gydF4y2BafgydF4y2Ba，gydF4y2BafsgydF4y2Ba）gydF4y2Ba返回在向量中指定的频率下的双边多锥形PSD估计，gydF4y2BafgydF4y2Ba.向量gydF4y2BafgydF4y2Ba必须包含至少两个元素，否则函数将其解释为gydF4y2BanfftgydF4y2Ba．的频率gydF4y2BafgydF4y2Ba单位时间内的循环数。采样率，gydF4y2BafsgydF4y2Ba，表示单位时间内的样本数。如果时间单位是秒，那么gydF4y2BafgydF4y2Ba为周期/秒(Hz)。gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba，gydF4y2Ba方法gydF4y2Ba）gydF4y2Ba结合使用该方法的单个锥形PSD估计，gydF4y2Ba方法gydF4y2Ba．gydF4y2Ba方法gydF4y2Ba可以是:gydF4y2Ba“适应”gydF4y2Ba(默认),gydF4y2Ba“本征”gydF4y2Ba,或gydF4y2Ba“团结”gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (gydF4y2BaxgydF4y2Ba，gydF4y2BaegydF4y2Ba，gydF4y2BavgydF4y2Ba）gydF4y2Ba使用n × k矩阵中的锥形gydF4y2BaegydF4y2Ba与浓度gydF4y2BavgydF4y2Ba在频带[-gydF4y2BawgydF4y2Ba，gydF4y2BawgydF4y2Ba］．N是输入信号的长度，gydF4y2BaxgydF4y2Ba使用gydF4y2Ba离散长gydF4y2Ba获得Slepian锥形和相应的浓度。gydF4y2Ba

［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (gydF4y2BaxgydF4y2Ba，gydF4y2Badpss_参数gydF4y2Ba）gydF4y2Ba使用单元格数组，gydF4y2Badpss_参数gydF4y2Ba，以传递输入参数gydF4y2Ba离散长gydF4y2Ba除了序列中元素的数量。序列中的元素数是第一个输入参数gydF4y2Ba离散长gydF4y2Ba不包括在gydF4y2Badpss_参数gydF4y2Ba．这种用法的一个例子是gydF4y2Bapxx=pmtm（randn（1000,1），{2.5,3}）gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba“DropLastTaper”,gydF4y2BadropflaggydF4y2Ba）gydF4y2Ba指定是否gydF4y2BapmtmgydF4y2Ba在多锥度PSD估计的计算中减少最后一个锥度。gydF4y2BadropflaggydF4y2Ba是一个逻辑。的默认值gydF4y2BadropflaggydF4y2Ba是gydF4y2Ba符合事实的gydF4y2Ba最后一个锥度在PSD估计中不使用。gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba＿＿＿gydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba，gydF4y2BafreqrangegydF4y2Ba）gydF4y2Ba返回指定频率范围内的多线程PSD估计值gydF4y2BafreqrangegydF4y2Ba．有效的选择gydF4y2BafreqrangegydF4y2Ba是gydF4y2Ba“单向的”gydF4y2Ba，gydF4y2Ba“双面的”gydF4y2Ba和gydF4y2Ba“中心”gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba＿＿＿gydF4y2Ba，gydF4y2BapxxcgydF4y2Ba) = pmtm (gydF4y2Ba＿＿＿gydF4y2Ba“ConfidenceLevel”,gydF4y2Ba概率gydF4y2Ba）gydF4y2Ba返回gydF4y2Ba概率gydF4y2Ba×中PSD估计的100%置信区间gydF4y2BapxxcgydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

pmtm (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba在没有输出参数的情况下，在当前图形窗口中绘制多锥度PSD估计图。gydF4y2Ba

例子gydF4y2Ba

全部崩溃gydF4y2Ba

打开实时脚本gydF4y2Ba

获得由角频率为的离散正弦信号组成的输入信号的多锥度PSD估计gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 4gydF4y2Ba rad/含添加剂的样品gydF4y2BaNgydF4y2Ba(0,1)白噪声。gydF4y2Ba

产生角频率为的正弦波gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 4gydF4y2Ba rad/含添加剂的样品gydF4y2BaNgydF4y2Ba(0,1)白噪声。信号长度为320个样本。使用默认的时间-半带宽乘积4和DFT长度获得多锥度PSD估计。缺省情况下，DFT点数为512。因为信号是实数，所以PSD估计是片面的，PSD估计中有512/2+1个点。gydF4y2Ba

n = 0:319;x = cos(π/ 4 * n) + randn(大小(n));pxx = pmtm (x);gydF4y2Ba

绘制多锥形PSD估计值。gydF4y2Ba

pmtm (x)gydF4y2Ba

打开实时脚本gydF4y2Ba

获得具有指定时间-半带宽乘积的多锥度PSD估计。gydF4y2Ba

产生角频率为的正弦波gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 4gydF4y2Ba rad/含添加剂的样品gydF4y2BaNgydF4y2Ba(0,1)白噪声。信号长度为320个样本。获得时间半带宽乘积为2.5的多锥度PSD估计。分辨率带宽为gydF4y2Ba ［gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba 5gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 3.gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba 5gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 3.gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba ］gydF4y2Ba rad/sample。默认DFT点数为512。由于信号为实值，PSD估计为单侧，PSD估计中有512/2+1个点。gydF4y2Ba

n = 0:319;x = cos(π/ 4 * n) + randn(大小(n));pmtm (2.5 x))gydF4y2Ba

打开实时脚本gydF4y2Ba

获得由角频率为的离散正弦信号组成的输入信号的多锥度PSD估计gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 4gydF4y2Ba rad/含添加剂的样品gydF4y2BaNgydF4y2Ba(0,1)白噪声。使用与信号长度相等的DFT长度。gydF4y2Ba

产生角频率为的正弦波gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 4gydF4y2Ba rad/含添加剂的样品gydF4y2BaNgydF4y2Ba(0,1)白噪声。信号长度为320个样本。获得时间半带宽乘积为3且DFT长度等于信号长度的多锥度PSD估计。因为信号是实数，默认情况下返回单边PSD估计值，长度等于320/2+1。gydF4y2Ba

n = 0:319;x = cos(π/ 4 * n) + randn(大小(n));pmtm (x 3长度(x))gydF4y2Ba

打开实时脚本gydF4y2Ba

获得在1 kHz采样的信号的多锥度PSD估计。信号是加性的100hz正弦波gydF4y2BaNgydF4y2Ba(0,1)白噪声。信号持续时间为2秒。使用时间-半带宽乘积3和DFT长度等于信号长度。gydF4y2Ba

fs = 1000;t = 0:1 / fs: 2 - 1 / f;x = cos(2 *π* 100 * t) + randn(大小(t));[pxx f] = pmtm (x, 3,长度(x), fs);gydF4y2Ba

绘制多锥形PSD估计值。gydF4y2Ba

pmtm（x，3，长度（x），fs）gydF4y2Ba

打开实时脚本gydF4y2Ba

获得一个多锥形PSD估计，其中单个锥形直接光谱估计在平均值中被赋予相同的权重。gydF4y2Ba

获得在1 kHz采样的信号的多锥度PSD估计。信号是加性的100hz正弦波gydF4y2BaNgydF4y2Ba(0,1)白噪声。信号持续时间为2秒。使用3的时间-半带宽乘积和等于信号长度的DFT长度。使用gydF4y2Ba“团结”gydF4y2Ba选择在平均值中为每个单独的锥形直接光谱估计赋予相等的权重。gydF4y2Ba

fs = 1000;t = 0:1 / fs: 2 - 1 / f;x = cos(2 *π* 100 * t) + randn(大小(t));[pxx f] = pmtm (x, 3,长度(x), fs,gydF4y2Ba“团结”gydF4y2Ba);gydF4y2Ba

绘制多锥形PSD估计值。gydF4y2Ba

pmtm（x，3，长度（x），fs，gydF4y2Ba“团结”gydF4y2Ba）gydF4y2Ba

打开实时脚本gydF4y2Ba

这个例子检查了DPSS序列的频域浓度。该示例通过预计算Slepian序列，并只选择那些能量集中在分辨率带宽超过99%的序列，产生输入信号的多锥形PSD估计。gydF4y2Ba

信号是加性的100hz正弦波gydF4y2BaNgydF4y2Ba(0,1)白噪声。信号持续时间为2秒。gydF4y2Ba

fs = 1000;t = 0:1 / fs: 2 - 1 / f;x = cos(2 *π* 100 * t) + randn(大小(t));gydF4y2Ba

将时间半带宽乘积设置为3.5。对于2000个样本的信号长度和0.001秒的采样间隔，这将导致[-1.75,1.75]Hz的分辨率带宽。计算前10个Slepian序列，并检查其在指定分辨率带宽内的频率浓度。gydF4y2Ba

[e，v]=dpss（长度（x），3.5,10）；阀杆（1：长度（v），v，gydF4y2Ba“填充”gydF4y2Ba) ylim([0 1.2]) title(gydF4y2Ba'第k个Slepian序列[-w，w]中的能量比例'gydF4y2Ba）gydF4y2Ba

确定能量浓度大于99%的Slepian序列数量。利用选定的DPSS序列，得到多锥度PSD估计。集gydF4y2Ba“DropLastTaper”gydF4y2Ba来gydF4y2Ba错误的gydF4y2Ba使用所有选定的锥形。gydF4y2Ba

持有gydF4y2Ba在gydF4y2Ba阴谋(1:长度(v), 0.99 *(长度(v), 1))gydF4y2Ba

idx =找到(v > 0.99, 1,gydF4y2Ba“最后一次”gydF4y2Ba）gydF4y2Ba
idx = 5gydF4y2Ba
[pxx f] = pmtm (x, e (:, 1: idx), v (1: idx),长度(x), fs,gydF4y2Ba“DropLastTaper”gydF4y2Ba、假);gydF4y2Ba

绘制多锥形PSD估计值。gydF4y2Ba

图pmtm (x, e (: 1: idx), v (1: idx),长度(x), fs,gydF4y2Ba“DropLastTaper”gydF4y2Ba，错）gydF4y2Ba

打开实时脚本gydF4y2Ba

获得加性的100hz正弦波的多锥度PSD估计gydF4y2BaNgydF4y2Ba（0,1）噪声。数据以1 kHz的频率采样。使用gydF4y2Ba“中心”gydF4y2Ba选项获取以dc为中心的PSD。gydF4y2Ba

fs = 1000;t = 0:1 / fs: 2 - 1 / f;x = cos(2 *π* 100 * t) + randn(大小(t));[pxx f] = pmtm (x, 3.5,长度(x), fs,gydF4y2Ba“中心”gydF4y2Ba);gydF4y2Ba

绘制dc为中心的PSD估计值。gydF4y2Ba

pmtm (x, 3.5,长度(x), fs,gydF4y2Ba“中心”gydF4y2Ba）gydF4y2Ba

打开实时脚本gydF4y2Ba

以下示例说明了多线程PSD估计的置信限的使用。虽然这不是统计显著性的必要条件，但多线程PSD估计中置信下限超过周围PSD估计的置信上限的频率清楚地表明了系统中的显著振荡时间序列。gydF4y2Ba

创建一个由100赫兹和150赫兹正弦波叠加在加性白色组成的信号gydF4y2BaNgydF4y2Ba(0,1)噪音。这两个正弦波的振幅是1。采样频率为1khz。信号持续时间为2秒。gydF4y2Ba

fs=1000；t=0:1/fs:2-1/fs；x=cos（2*pi*100*t）+cos（2*pi*150*t）+randn（大小（t））；gydF4y2Ba

获得具有95%置信边界的多锥度PSD估计。将PSD估计与置信区间绘制在一起，并放大100和150赫兹附近感兴趣的频率区域。gydF4y2Ba

[pxx f, pxxc] = pmtm (x, 3.5,长度(x), fs,gydF4y2Ba“ConfidenceLevel”gydF4y2Ba, 0.95);情节(f, 10 * log10 (pxx))gydF4y2Ba在gydF4y2Ba情节(f, 10 * log10 (pxxc),gydF4y2Bar -。gydF4y2Ba)xlim（[85 175]）xlabel(gydF4y2Ba“赫兹”gydF4y2Ba)伊拉贝尔(gydF4y2Ba“数据库”gydF4y2Ba)标题(gydF4y2Ba“具有95%置信边界的多锥形PSD估计”gydF4y2Ba）gydF4y2Ba

在100和150 Hz附近的低置信界限明显高于100和150 Hz附近的高置信界限。gydF4y2Ba

打开实时脚本gydF4y2Ba

产生1024个样本的多通道信号组成的三个正弦波加性gydF4y2Ba NgydF4y2Ba （gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba 高斯白噪声。正弦信号的频率是gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 3.gydF4y2Ba 和gydF4y2Ba πgydF4y2Ba /gydF4y2Ba 4gydF4y2Ba rad /样品。利用汤姆逊多锥法估算信号的PSD，并将其绘制出来。gydF4y2Ba

N = 1024;n = 0: n - 1;w = pi. / [2, 3, 4);X = cos(w*n)' + randn(length(n)，3);pmtm (x)gydF4y2Ba

输入参数gydF4y2Ba

全部崩溃gydF4y2Ba

输入信号，指定为行或列向量或矩阵。如果gydF4y2BaxgydF4y2Ba是一个矩阵，那么它的列被视为独立的通道。gydF4y2Ba

例子:gydF4y2Ba因为(π/ 4 * (0:159))+ randn (1160)gydF4y2Ba是单通道行矢量信号。gydF4y2Ba

例子:gydF4y2Ba因为(pi. / (4; 2) * (0:159)) ' + randn (160 2)gydF4y2Ba是一个双通道信号。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba
复数的支持:金宝appgydF4y2Ba是的gydF4y2Ba

时间-半带宽积，指定为正标量。在多锥度谱估计中，用户指定多锥度估计的分辨率带宽gydF4y2Ba(- - - - - -gydF4y2BaWgydF4y2Ba，gydF4y2BaWgydF4y2Ba］gydF4y2Ba在哪里gydF4y2BaWgydF4y2Ba＝gydF4y2BakgydF4y2Ba/gydF4y2BaNgydF4y2BaΔgydF4y2BatgydF4y2Ba对于一些小型gydF4y2BakgydF4y2Ba> 1gydF4y2Ba．同样,gydF4y2BaWgydF4y2Ba是DFT频率分辨率的一个小倍数。时间半带宽乘积是分辨率半带宽与输入信号中样本个数的乘积，gydF4y2BaNgydF4y2Ba．傅里叶变换很集中的Slepian锥形的数目gydF4y2Ba(- - - - - -gydF4y2BaWgydF4y2Ba，gydF4y2BaWgydF4y2Ba］gydF4y2Ba（特征值接近单位）为gydF4y2Ba2gydF4y2Ba西北gydF4y2Ba- 1gydF4y2Ba．gydF4y2Ba

DFT点的数目，指定为正整数。对于实值输入信号，gydF4y2BaxgydF4y2Ba， PSD估计，gydF4y2BapxxgydF4y2Ba长度(gydF4y2BanfftgydF4y2Ba/2+1）如果gydF4y2BanfftgydF4y2Ba为偶数，且(gydF4y2BanfftgydF4y2Ba+ 1) / 2gydF4y2BanfftgydF4y2Ba是奇数。对于复数输入信号，gydF4y2BaxgydF4y2Ba，PSD估计值始终具有长度gydF4y2BanfftgydF4y2Ba．如果gydF4y2BanfftgydF4y2Ba指定为空，则默认gydF4y2BanfftgydF4y2Ba使用。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

采样率，指定为一个正标量。采样率是单位时间内的采样数。如果时间的单位是秒，那么采样率的单位是Hz。gydF4y2Ba

归一化频率，指定为具有至少两个元素的行或列向量。归一化频率以rad/sample为单位。gydF4y2Ba

例子:gydF4y2BaW = [pi/4 pi/2]gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

频率，指定为具有至少两个元素的行或列向量。频率以单位时间的周期为单位。单位时间由采样率确定，gydF4y2BafsgydF4y2Ba．如果gydF4y2BafsgydF4y2Ba有样本/秒的单位吗gydF4y2BafgydF4y2Ba有赫兹的单位。gydF4y2Ba

例子:gydF4y2Bafs = 1000;F = [100 200]gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

对单个锥形PSD估计的权重，指定为之一gydF4y2Ba“适应”gydF4y2Ba，gydF4y2Ba“本征”gydF4y2Ba,或gydF4y2Ba“团结”gydF4y2Ba．默认值是汤姆森自适应频率相关权值，gydF4y2Ba“适应”gydF4y2Ba．这些权重的计算详细在第368-370页gydF4y2Ba［1］gydF4y2Ba．的gydF4y2Ba“本征”gydF4y2Ba方法通过相应Slepian锥度的特征值(频率浓度)加权每个锥度的PSD估计。的gydF4y2Ba“团结”gydF4y2Ba方法对每个锥形PSD估计值进行加权。gydF4y2Ba

DPSS (Slepian)序列，指定为N × k矩阵，其中N为输入信号的长度，gydF4y2BaxgydF4y2Ba．矩阵gydF4y2BaegydF4y2Ba是的输出gydF4y2Ba离散长gydF4y2Ba．gydF4y2Ba

DPSS（Slepian）序列的特征值，指定为列向量。DPSS序列的特征值表示集中在分辨率带宽中的序列能量的比例[-gydF4y2BaWgydF4y2Ba，gydF4y2BaWgydF4y2Ba］．特征值的范围位于区间(0,1)和通常前2gydF4y2Ba西北gydF4y2Ba-1特征值接近1，然后递减到0。gydF4y2Ba

输入参数为gydF4y2Ba离散长gydF4y2Ba，指定为单元格数组。的第一个输入参数gydF4y2Ba离散长gydF4y2Ba是DPSS序列的长度和省略gydF4y2Badpss_参数gydF4y2Ba．DPSS序列的长度由输入信号的长度得到，gydF4y2BaxgydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba{3.5, 5}gydF4y2Ba

指示是删除还是保留最后一个DPSS序列的标志，指定为逻辑。默认值为gydF4y2Ba符合事实的gydF4y2Ba和gydF4y2BapmtmgydF4y2Ba下降最后一个锥度。在多用户估计中，前2个gydF4y2Ba西北gydF4y2Ba- 1 DPSS序列特征值接近统一。如果小于2gydF4y2Ba西北gydF4y2Ba- 1个序列，很可能所有的锥形都有接近1的特征值，你可以指定gydF4y2BadropflaggydF4y2Ba作为gydF4y2Ba错误的gydF4y2Ba保持最后一个锥形。gydF4y2Ba

PSD估计的频率范围，指定为之一gydF4y2Ba“单向的”gydF4y2Ba，gydF4y2Ba“双面的”gydF4y2Ba,或gydF4y2Ba“中心”gydF4y2Ba．默认值是gydF4y2Ba“单向的”gydF4y2Ba对于实值信号和gydF4y2Ba“双面的”gydF4y2Ba为复值信号。每个选项对应的频率范围为gydF4y2Ba

  • “单向的”gydF4y2Ba-返回实值输入信号的单边PSD估计，gydF4y2BaxgydF4y2Ba．如果gydF4y2BanfftgydF4y2Ba甚至，gydF4y2BapxxgydF4y2Ba长度gydF4y2BanfftgydF4y2Ba/2 + 1，在区间内计算gydF4y2Ba[0,gydF4y2BaπgydF4y2Ba］gydF4y2Barad/样本。如果gydF4y2BanfftgydF4y2Ba是奇数吗gydF4y2BapxxgydF4y2Ba是(gydF4y2BanfftgydF4y2Ba+1）/2，间隔为gydF4y2Ba[0,gydF4y2BaπgydF4y2Ba）gydF4y2Barad /样品。当gydF4y2BafsgydF4y2Ba时，对应的间隔为[0，gydF4y2BafsgydF4y2Ba/2]周期/单位时间和[0，gydF4y2BafsgydF4y2Ba/2)偶数和奇数长度的周期/单位时间gydF4y2BanfftgydF4y2Ba分别。gydF4y2Ba

  • “双面的”gydF4y2Ba-返回实值或复数输入的双边PSD估计值，gydF4y2BaxgydF4y2Ba．在这种情况下,gydF4y2BapxxgydF4y2Ba长度gydF4y2BanfftgydF4y2Ba并在时间间隔内进行计算gydF4y2Ba[0, 2gydF4y2BaπgydF4y2Ba）gydF4y2Barad /样品。当gydF4y2BafsgydF4y2Ba时，间隔为[0，gydF4y2BafsgydF4y2Ba)周期/单位时间。gydF4y2Ba

  • “中心”gydF4y2Ba-返回实值或复值输入的中心双边PSD估计，gydF4y2BaxgydF4y2Ba．在这种情况下,gydF4y2BapxxgydF4y2Ba长度gydF4y2BanfftgydF4y2Ba并在时间间隔内进行计算gydF4y2Ba(–gydF4y2BaπgydF4y2Ba，gydF4y2BaπgydF4y2Ba］gydF4y2Ba均匀长度的Rad /样品gydF4y2BanfftgydF4y2Ba和gydF4y2Ba(–gydF4y2BaπgydF4y2Ba，gydF4y2BaπgydF4y2Ba）gydF4y2Ba奇数长度的rad/样本gydF4y2BanfftgydF4y2Ba．当gydF4y2BafsgydF4y2Ba时，对应的间隔为(-gydF4y2BafsgydF4y2Ba/ 2,gydF4y2BafsgydF4y2Ba/2] 周期/单位时间和（–gydF4y2BafsgydF4y2Ba/ 2,gydF4y2BafsgydF4y2Ba/2)偶数和奇数长度的周期/单位时间gydF4y2BanfftgydF4y2Ba分别。gydF4y2Ba

真实PSD的覆盖概率，指定为范围(0,1)中的标量。输出,gydF4y2BapxxcgydF4y2Ba的下界和上界gydF4y2Ba概率gydF4y2Ba× 100%的真实PSD区间估计。gydF4y2Ba

输出参数gydF4y2Ba

全部崩溃gydF4y2Ba

PSD估计值，作为实值、非负列向量或矩阵返回gydF4y2BapxxgydF4y2Ba对应列的PSD估算是gydF4y2BaxgydF4y2Ba．PSD估计的单位是每单位频率的时间序列数据的平方幅度单位。例如，如果输入数据的单位是伏特，则PSD估计的单位是每单位频率的平方伏特。对于以伏特为单位的时间序列，如果假设电阻为1Ω并指定以赫兹为单位的采样率，则PSD估计的单位是瓦特/赫兹。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

标准化频率，作为实值列向量返回。如果gydF4y2BapxxgydF4y2Ba是片面的PSD估计，gydF4y2BawgydF4y2Ba跨越了时间间隔gydF4y2Ba[0,gydF4y2BaπgydF4y2Ba］gydF4y2Ba如果gydF4y2BanfftgydF4y2Ba甚至和gydF4y2Ba[0,gydF4y2BaπgydF4y2Ba）gydF4y2Ba如果gydF4y2BanfftgydF4y2Ba是奇数。如果gydF4y2BapxxgydF4y2Ba是一个双边PSD估计，gydF4y2BawgydF4y2Ba跨越了时间间隔gydF4y2Ba[0, 2gydF4y2BaπgydF4y2Ba）gydF4y2Ba．对于dc为中心的PSD估计，gydF4y2BawgydF4y2Ba跨越了时间间隔gydF4y2Ba(–gydF4y2BaπgydF4y2Ba，gydF4y2BaπgydF4y2Ba］gydF4y2Ba甚至gydF4y2BanfftgydF4y2Ba和gydF4y2Ba(–gydF4y2BaπgydF4y2Ba，gydF4y2BaπgydF4y2Ba）gydF4y2Ba为奇数gydF4y2BanfftgydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

循环频率，作为实值列向量返回。对于单边PSD估计，gydF4y2BafgydF4y2Ba跨越区间[0，gydF4y2BafsgydF4y2Ba/ 2)当gydF4y2BanfftgydF4y2Ba为偶数，[0，gydF4y2BafsgydF4y2Ba/ 2)gydF4y2BanfftgydF4y2Ba是奇数。对于双边PSD估计，gydF4y2BafgydF4y2Ba跨越区间[0，gydF4y2BafsgydF4y2Ba)．对于dc为中心的PSD估计，gydF4y2BafgydF4y2Ba跨越间隔(-gydF4y2BafsgydF4y2Ba/ 2,gydF4y2BafsgydF4y2Ba/2]周期/偶数长度的单位时间gydF4y2BanfftgydF4y2Ba和(-gydF4y2BafsgydF4y2Ba/ 2,gydF4y2BafsgydF4y2Ba/2)奇数长度的周期/单位时间gydF4y2BanfftgydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba|gydF4y2Ba单gydF4y2Ba

置信界限，返回为具有实值元素的矩阵。矩阵的行大小等于PSD估计的长度，gydF4y2BapxxgydF4y2Ba．gydF4y2BapxxcgydF4y2Ba有两倍的列数gydF4y2BapxxgydF4y2Ba．奇数列包含置信区间的下界，偶数列包含置信区间的上界。因此,gydF4y2Bapxxc (m, 2 * n - 1)gydF4y2Ba置信下限是和吗gydF4y2Bapxxc (m, 2 * n)gydF4y2Ba上置信限是否与估计值相对应gydF4y2Bapxx (m, n)gydF4y2Ba．置信区间的覆盖概率由的值决定gydF4y2Ba概率gydF4y2Ba输入。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

更多关于gydF4y2Ba

全部崩溃gydF4y2Ba

离散长椭球(Slepian)序列gydF4y2Ba

Slepian序列的推导是从离散时间-连续频率集中问题出发的。对所有gydF4y2BaℓgydF4y2Ba2gydF4y2Ba序列索引仅限于gydF4y2Ba0,1,…,gydF4y2BaNgydF4y2Ba- 1gydF4y2Ba，该问题寻求在一个频带内具有最大能量集中的序列gydF4y2Ba(- - - - - -gydF4y2BaWgydF4y2Ba，gydF4y2BaWgydF4y2Ba］gydF4y2Ba具有gydF4y2Ba|gydF4y2BaWgydF4y2Ba| < 1/2ΔgydF4y2BatgydF4y2Ba．gydF4y2Ba

这相当于找到an的特征值和相应的特征向量gydF4y2BaNgydF4y2Ba——- - - - - -gydF4y2BaNgydF4y2Ba自伴正半定算子。因此，特征值是实的非负的，与不同特征值对应的特征向量是相互正交的。在这个特殊的问题中，特征值以1为界特征值是序列在频率区间内能量集中的度量gydF4y2Ba(- - - - - -gydF4y2BaWgydF4y2Ba，gydF4y2BaWgydF4y2Ba］gydF4y2Ba．gydF4y2Ba

给出了特征值问题gydF4y2Ba

∑gydF4y2Ba ngydF4y2Ba ＝gydF4y2Ba 0gydF4y2Ba NgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 罪gydF4y2Ba （gydF4y2Ba 2gydF4y2Ba πgydF4y2Ba WgydF4y2Ba （gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 米gydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba πgydF4y2Ba （gydF4y2Ba ngydF4y2Ba −gydF4y2Ba 米gydF4y2Ba ）gydF4y2Ba ggydF4y2Ba ngydF4y2Ba ＝gydF4y2Ba λgydF4y2Ba kgydF4y2Ba （gydF4y2Ba NgydF4y2Ba ，gydF4y2Ba WgydF4y2Ba ）gydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba ＝gydF4y2Ba 0gydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba ．．.gydF4y2Ba ，gydF4y2Ba NgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba

0阶DPSS序列，gydF4y2BaggydF4y2Ba0gydF4y2Ba是最大特征值对应的特征向量。第一阶DPSS序列，gydF4y2BaggydF4y2Ba1gydF4y2Ba为下一个最大特征值对应的特征向量，正交于0阶序列。二阶DPSS序列，gydF4y2BaggydF4y2Ba2gydF4y2Ba，是对应于第三大特征值的特征向量，与0阶和1阶DPSS序列正交gydF4y2BaNgydF4y2Ba——- - - - - -gydF4y2BaNgydF4y2Ba,有gydF4y2BaNgydF4y2Ba特征向量。然而，对于给定的序列长度，它可以证明gydF4y2BaNgydF4y2Ba和指定的带宽gydF4y2Ba(- - - - - -gydF4y2BaWgydF4y2Ba，gydF4y2BaWgydF4y2Ba］gydF4y2Ba，有大约gydF4y2Ba2gydF4y2Ba西北gydF4y2Ba- 1gydF4y2Ba特征值非常接近于统一的DPSS序列。gydF4y2Ba

多窗口谱估计gydF4y2Ba

周期图不是广义平稳过程真实功率谱密度的一致估计量。为了产生PSD的一致估计，多锥度法平均使用一组相互正交的锥度(窗)得到的修正周期图。除相互正交外，圆锥还具有最优时频集中特性。锥度的正交性和时频集中是多锥度技术成功的关键。看到gydF4y2Ba离散长椭球(Slepian)序列gydF4y2Ba对于汤姆森的多处理器方法中使用的Slepian序列的简要描述。gydF4y2Ba

多锥度法使用gydF4y2BaKgydF4y2Ba每个周期图都使用不同的Slepian序列作为窗口。让gydF4y2Ba

年代gydF4y2Ba kgydF4y2Ba （gydF4y2Ba fgydF4y2Ba ）gydF4y2Ba ＝gydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba |gydF4y2Ba ∑gydF4y2Ba ngydF4y2Ba ＝gydF4y2Ba 0gydF4y2Ba NgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ggydF4y2Ba kgydF4y2Ba ，gydF4y2Ba ngydF4y2Ba xgydF4y2Ba ngydF4y2Ba egydF4y2Ba −gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba πgydF4y2Ba fgydF4y2Ba ngydF4y2Ba ΔgydF4y2Ba tgydF4y2Ba |gydF4y2Ba 2gydF4y2Ba

表示用的修正周期图gydF4y2BakgydF4y2Bath斯莱皮恩序列,gydF4y2BaggydF4y2Bak, ngydF4y2Ba．gydF4y2Ba

在最简单的形式中，多锥度法只是取平均值gydF4y2BaKgydF4y2Ba修改周期图以产生多锥度PSD估计。gydF4y2Ba

年代gydF4y2Ba （gydF4y2Ba 机器翻译gydF4y2Ba ）gydF4y2Ba （gydF4y2Ba fgydF4y2Ba ）gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba ＝gydF4y2Ba 0gydF4y2Ba KgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba （gydF4y2Ba fgydF4y2Ba ）gydF4y2Ba

请注意multitaper PSD估计与Welch方法之间的差异。这两种方法都通过对PSD的近似不相关估计进行平均来减少周期图中的可变性。然而，这两种方法在产生这些不相关PSD估计值的方式上有所不同。multitaper方法在每个修改的周期图中使用整个信号。Slepian圆锥的正交性使不同的修正周期图去相关。Welch的重叠段平均方法使用每个修改周期图中的信号段，并且分割将不同的修改周期图解相关。gydF4y2Ba

前面的等式对应于gydF4y2Ba“团结”gydF4y2Ba选择权gydF4y2BapmtmgydF4y2Ba．然而，正如gydF4y2Ba离散长椭球(Slepian)序列gydF4y2Ba， Slepian序列在感兴趣的频带内不具有相同的能量浓度。Slepian序列的阶数越高，序列能量在[-波段的集中程度越低gydF4y2BaWgydF4y2Ba，gydF4y2BaWgydF4y2Ba的浓度由特征值给出。因此，用特征值来加权是有益的gydF4y2BaKgydF4y2Ba在平均之前修改周期图。这对应于gydF4y2Ba“本征”gydF4y2Ba选择权gydF4y2BapmtmgydF4y2Ba．gydF4y2Ba

利用序列特征值产生修正周期图的加权平均，可以解释Slepian序列的频率集中特性。但是，它没有解释随机过程的功率谱密度与Slepian序列的频率浓度之间的相互作用。具体来说，在使用高阶Slepian序列的修正周期图中，随机过程功率较小的频率区域估计的可靠性较低。这说明了一个频率依赖的自适应过程，它不仅解释了Slepian序列的频率集中，而且解释了时间序列的功率分布。这个自适应权重对应于gydF4y2Ba“适应”gydF4y2Ba选择权gydF4y2BapmtmgydF4y2Ba并且是计算多锥度估计的默认值。gydF4y2Ba

参考文献gydF4y2Ba

珀西瓦尔，d。B。和a。t。瓦尔登，gydF4y2Ba物理应用的光谱分析:多锥度和常规单变量技术gydF4y2Ba．英国剑桥:剑桥大学出版社，1993。gydF4y2Ba

[2]汤姆森，D. J.，《频谱估计和谐波分析》。gydF4y2BaIEEE论文集gydF4y2Ba®gydF4y2Ba．第70卷，1982年，1055-1096页。gydF4y2Ba

另请参阅gydF4y2Ba

|gydF4y2Ba|gydF4y2Ba

在R2006a之前引入gydF4y2Ba

信号处理工具箱文档gydF4y2Ba
金宝app

尝试MATLAB, Si金宝appmulink和其他产品下载188bet金宝搏gydF4y2Ba

现在受审gydF4y2Ba