Python 强噪声信号的Scipy-FFT频率分析

我有噪声，我想计算频率和振幅。每100秒采集一次样本。从趋势来看，我认为频率约为0.3

当我使用

numpy

fft

模块时，我得到的频率非常高（36.32/秒），这显然是不正确的。我试图在fft之前用

pandas

rolling\u mean

过滤数据，以去除噪声，但这也不起作用

import pandas as pd
from numpy import fft
import numpy as np
import matplotlib.pyplot as plt

Moisture_mean_x = pd.read_excel("signal.xlsx", header = None)
Moisture_mean_x = pd.rolling_mean(Moisture_mean_x, 10) # doesn't helps
Moisture_mean_x = Moisture_mean_x.dropna()
Moisture_mean_x = Moisture_mean_x -Moisture_mean_x.mean()
frate = 100. #/sec           
Hn = fft.fft(Moisture_mean_x)
freqs = fft.fftfreq(len(Hn), 1/frate)
idx = np.argmax(np.abs(Hn))
freq_in_hertz = freqs[idx]

---

有人能指导我如何解决这个问题吗？

我希望这能对你有所帮助

在应用FFT之前，应仅过滤预期频率附近的频带，并提高信噪比

编辑：

---

MarkRansom给出了一个更聪明的答案，如果你必须做FFT，你可以在变换后切断噪声。它不会产生比滤波器更差的结果。

您应该使用低通滤波器，它应该保持较大的周期性变化，并首先平滑一些较高频率的东西。之后，再进行FFT运算得到峰值。这是一个典型的用于这类事情的例子

FFT是一个滤波器组。只需在FFT结果（而不是整个结果向量）的预期频率范围内查找幅值峰值，，其他大部分频谱基本上都会被过滤掉。

因为FFT是一个滤波器，所以无需事先过滤信号。只需跳过FFT中那些与你知道的包含大量噪声的频率相对应的部分-将它们归零，或以其他方式排除它们。

你是对的，有问题。需要解释的是，请pandas填写第0列：

Hn = np.fft.fft(Moisture_mean_x[0])

否则会发生错误，您可以通过FFT结果不是对称的这一事实看到，这应该是真实输入的情况

似乎@tilsten已经回答了您的问题，但这里有一些额外的确认。第一个绘图是您的数据（零均值，我将其更改为csv）。第二个是功率谱密度，你可以看到一个脂肪团，峰值约为0.3 Hz。我放大了第三个图，看看是否有第二个隐藏频率接近主频率

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

x = pd.read_csv("signal.csv")
x = np.array(x, dtype=float)[:,0]
x = x - np.mean(x)
fs = 1e2

f, Pxx = signal.welch(x, fs, nperseg=1024)
f_res, Pxx_res = signal.welch(x, fs, nperseg=2048)

plt.subplot(3,1,1)
plt.plot(x)

plt.subplot(3,1,2)
plt.plot(f, Pxx)
plt.xlim([0, 1])
plt.xlabel('frequency [Hz]')
plt.ylabel('PSD')

plt.subplot(3,1,3)
plt.plot(f_res, Pxx_res)
plt.xlim([0, 1])
plt.xlabel('frequency [Hz]')
plt.ylabel('PSD')

plt.show()

Hn = fft.fft(x)
freqs = fft.fftfreq(len(Hn), 1/fs)
idx = np.argmax(np.abs(Hn))
freq_in_hertz = freqs[idx]
print 'Main freq:', freq_in_hertz
print 'RMS amp:', np.sqrt(Pxx.max())

这张照片是：

Main freq: 0.32012805122
RMS amp: 0.0556044913489

---

1）代码正常。2） 你为什么期望0.3赫兹？我计算了2500秒内的6/8峰值，估计主导低频约为0.0024至0.0032 Hz。3） 36.32 Hz有什么问题，即为什么您确定这是错误的？4） 如果确实要使用滚动平均值对信号进行预滤波，请选择不同于1的窗口大小。现在，对

rolling_mean（）

的调用没有任何作用。@gg349我假设图片显示的是2500个样本，而不是2500秒。这使你的频率范围从0.24到0.32赫兹，其中当然包含0.3。@MarkRansom很好地识别了抱歉，这是

rolling\u mean

的打字错误，现在已修复。滤波是完全冗余的，FFT已经在按频率分割内容。只需要忽略FFT结果中与感兴趣范围之外的频率相对应的部分。不，不必。信号是实数，因此研究负频率分量也是多余的，并将导致相同的结果。@gg349绝对正确，我没有意识到FFT返回的是复数值不是实数。我将删除这个答案中不准确的部分，这应该是其中的大部分。@Markransem我同意，这似乎是目前为止唯一的解决方案。但是，我想知道，即使我完全用噪声来计算频率，结果仍然是34.8赫兹！这让我觉得我在代码中遗漏了一些步骤。为什么要过滤？标记Ransom对其他类似帖子的评论。为什么值为10会导致几何平均数？对不起，这是打字错误。我试过

rolling\u意思是（…，10）

得到了36.4赫兹。啊，你说得对，马克的答案是最聪明的。我误解了请求中的数据。事实上我不明白为什么他的答案被否决了+1谢谢。我也想到了这一点，但我只给出了一个问题的样本，而我有数百个这样的信号要分析。手动选择预期的频率范围将非常繁琐。有没有更好的方法来自行计算这个频率范围？如果不知道要删除哪些频率（以及剩下的频率），就无法进行过滤。即使是移动平均线也是一个（低质量）过滤器。因此，你必须知道预期的范围，或者不过滤噪声结果，然后接受你得到的结果。我知道移动平均是一个低质量的过滤器，但我希望它会使我更接近预期的频率。但是，即使我使用了

滚动平均值（…，100）

这给了我非常平滑的信号[1]，结果仍然是34.8赫兹！这让我觉得我错过了什么。[1] 的确如此。而且，现在也不需要过滤。谢谢是的，我也注意到了隐藏的频率。因此，我将平均频率计算为：

freqs=fft.fftfreq（len（Hn），1/frate）；ind=np.arange（1，len（Hn）/2+1）；psd=np.abs（Hn[ind]）**2+np.abs（Hn[-ind]）**2；切割=0.7*psd.max（）；ind1=np，其中（psd>切割）；freq_in_hertz=freqs[ind[ind1]].mean（）

。这很有效。您还可以通过

idx=np.argmax（np.abs（Hn）[:5]）

找到第二个峰值，结果是0.16006402561（正好是0.32012的一半…）。