전력 스펙트럼 밀도 (Power Spectral Density)

전력 스펙트럼 밀도 (Power Spectral Density)

 

 

PSD (Power Spectral Density)는 주파수 스펙트럼 (주파수 영역) 상의 전력 표현으로 신호 주파수에 따른 전력 밀도의 분포를 보기 위해 신호의 전력 대 주파수를 측정한 것이다. PSD는 일반적으로 광대역 임의 신호를 특성화하는 데 사용된다. 이는 주파수 영역에서 단위 Hz 대 주파수 당 전력의 단위로 플롯으로 볼 수 있다.

 

periodogram

 

 

테스트 데이터

 

실제 PSD를 계산하기 전에 몇 가지 테스트 데이터를 생성해야 한다. 이를 위해 주파수 10Hz와 60Hz에서 두 개의 사인파를 사용한다. 또한, 신호에서 이 두 가지 주파수 구성 요소를 찾을 수 있는지 여부를 확인하기 위해 약간의 가우스 잡음을 던진다.

 

fs = 1000.0 # 1 kHz sampling frequency
F1 = 10 # First signal component at 10 Hz
F2 = 60 # Second signal component at 60 Hz
T = 10 # 10s signal length
N0 = -10 # Noise level (dB)

import numpy as np

t = np.r_[0:T:(1/fs)] # Sample times

# Two Sine signal components at frequencies F1 and F2.
signal = np.sin(2 * F1 * np.pi * t) + np.sin(2 * F2 * np.pi * t) 

# White noise with power N0
signal += np.random.randn(len(signal)) * 10**(N0/20.0)

 

Scipy

 

이동 신호 분석 패키지 scipy에는 쉽게 사용할 수 있는 주기도를 계산하기 위한 구현이 있다 (scipy.signal.periodogram). 이를 사용하여 전력 스펙트럼 밀도를 쉽게 계산할 수 있다. periodogram 방법에 제공해야 하는 것은 실제 신호 데이터와 샘플링 주파수뿐이다. scaling='density'를 위해 메서드가 전력 스펙트럼 대신 PSD를 반환하도록 설정한다. 

 

import scipy.signal

# f contains the frequency components
# S is the PSD
(f, S) = scipy.signal.periodogram(signal, fs, scaling='density')

import matplotlib.pyplot as plt

plt.semilogy(f, S)
plt.ylim([1e-7, 1e2])
plt.xlim([0,100])
plt.xlabel('frequency [Hz]')
plt.ylabel('PSD [V**2/Hz]')
plt.show()

 

10Hz 및 60Hz의 해당 주파수에서 두 가지 주파수 구성 요소를 빠르게 식별할 수 있다. 둘 다 동일한 진폭을 가지므로 사인파가 동일한 진폭을 갖기 때문에 의미가 있다.

 

Scipy & Welch의 방법을 사용한 PSD 추정

 

PSD는 긴 신호를 계산하기에는 다소 무거울 수 있다. Welch의 방법은 PSD를 추정하는 잘 알려진 방법 중 하나이다. Scipy는 또한 이 추정 방법을 사용하기 위해 쉽게 사용할 수 있는 방법을 가지고 있다.  

 

(f, S)= scipy.signal.welch(signal, fs, nperseg=1024)

plt.semilogy(f, S)
plt.xlim([0, 100])
plt.xlabel('frequency [Hz]')
plt.ylabel('PSD [V**2/Hz]')
plt.show()

 

Welch의 방법은 테스트 신호의 진폭 및 주파수 구성 요소에 대한 상당히 좋은 추정치를 제공한다. 노이즈에서 정확한 주파수 성분을 명확하게 식별할 수 있다.

 

Welch의 방법 PSD 추정

 

세그먼트 길이를 늘리면 더 정확한 추정치를 얻을 수 있다.

 

(f, S)= scipy.signal.welch(signal, fs, nperseg=4*1024)

plt.semilogy(f, S)
plt.xlim([0, 100])
plt.xlabel('frequency [Hz]')
plt.ylabel('PSD [V**2/Hz]')
plt.show()

 

더 긴 세그먼트 길이를 사용하면 주파수 구성요소를 더 잘 구별할 수 있다. 이것은 서로 가까운 신호 구성 요소가 있을 때 유용하다.

 

 

Matplotlib

 

Matplotlib 또한 PSD를 계산하고 플로팅하는 방법을 제공한다. 앞서 언급한 Welch의 방법을 사용하여 PSD를 계산한다.

 

# Matplotlib 
import matplotlib.pyplot as plt

(S, f) = plt.psd(signal, Fs=fs)

plt.semilogy(f, S)
plt.xlim([0, 100])
plt.xlabel('frequency [Hz]')
plt.ylabel('PSD [V**2/Hz]')
plt.show()

 

결과는 Scipy를 사용하는 Welch의 방법과 유사하다. Matplotlib를 사용하여 Scipy 종속성을 피하려면 편리할 수 있다.

 

Naive Python implementation

 

numpy 의존성만으로 구현할 수 있다. 이 구현은 정의를 직접 따르고 매우 느리다. 몇 가지 주파수에 대해서만 PSD를 계산해야 하는 경우 도움이 될 수 있다.

 

import numpy as np 

# f is the requested frequency
# signal is the time series data
# Fs is the sampling frequency in Hz
def Sxx(f, signal, Fs):
    t = 1/Fs # Sample spacing
    T = len(signal) # Signal duration
    
    s = np.sum([signal[i] * np.exp(-1j*2*np.pi*f*i*t) for i in range(T)])
    
    return t**2 / T * np.abs(s)**2

 

주파수 [0,…,100]에 대한 PSD를 계산을 바로 사용할 수 있다.

 

# Use Sxx to calculate PSD for f in [0, 100]
S = [Sxx(f, signal, fs) for f in range(100)]

plt.semilogy([f for f in range(100)], S)
plt.xlim([0, 100])
plt.xlabel('frequency [Hz]')
plt.ylabel('PSD [V**2/Hz]')
plt.show()

 

https://scicoding.com/calculating-power-spectral-density-in-python/