非定间隔采样的功率谱估计
Posted on 21 Nov 2014 SignalProcessingScipy 添加评论
定间隔采样的功率谱估计方法多入牛毛，那么不定间隔采样信号的功率谱应该怎么计算呢？
个人觉得基于重采样的思路是一条可行的道路，然后就是直接估计啦！Scipy中提供了一种基于最小二乘的直接估计方法：Lomb-Scargle periodogram。算法的效率是$O(n^2)$，对于这个问题还是比较可以接受的。
详细用法可以参见scipy.signal.lombscargle的帮助文档，文档写得很细致，同时还给出了参考文献。大致翻译一下文档介绍部分：
scipy.signal.lombscargle(x, y, freqs)
计算Lomb-Scargle周期图.
计算得到的周期图没有归一化，放大系数为(A**2) * N/4 ，A是对于足够大N的正弦信号的幅值。
参数:
x : 数组
采样时间
y : 数组
测量值
freqs : 数组
输出周期图的角频率
返回值:
pgram : 数组
Lomb-Scargle周期图
归一化那个看不懂的，可以参见文档里的例子。
