plomb

Периодограмма Ломба-Скаргля

Описание

пример

[pxx,f] = plomb(x,t) возвращает оценку спектральной плотности степени Ломба-Скаргля (PSD), pxx, сигнала, x, который дискретизируется в моменты, указанные в t. t должен увеличиться монотонно, но не должен быть равномерно распределен. Все элементы t должно быть неотрицательным. pxx оценивается на частотах, возвращаемых в f.

  • Если x является вектором, он рассматривается как один канал.

  • Если x является матрицей, тогда plomb вычисляет PSD независимо для каждого столбца и возвращает его в соответствующий столбец pxx.

x или t может содержать NaNs или NaTs. Эти значения считаются отсутствующими данными и исключаются из расчета спектра.

пример

[pxx,f] = plomb(x,fs) обрабатывает случай, когда сигнал дискретизируется равномерно, со скоростью fs, но имеет отсутствующие выборки. Укажите отсутствующие данные используя NaNс.

[pxx,f] = plomb(___,fmax) оценивает PSD до максимальной частоты, fmax, с использованием любого из входных параметров из предыдущих синтаксисов. Если сигнал дискретизирован в N не - NaN instants, и, t - это время, различие между первым и последним из них, затем pxx возвращается в round(fmax / минута f) точки, где f минута = 1/( 4 × <reservedrangesplaceholder2> × <reservedrangesplaceholder1>  ) является наименьшей частотой в который pxx вычисляется, и средний шаг расчета равен ts = , t/(  N - 1). fmax по умолчанию равен 1/( 2 × ts), что для равномерно дискретизированных сигналов соответствует частоте Найквиста.

пример

[pxx,f] = plomb(___,fmax,ofac) задает целочисленный коэффициент избыточной дискретизации, ofac. Использование ofac интерполяция или сглаживание спектра напоминает метод заполнения нулями для методов, основанных на FFT. pxx снова возвращается в round(fmax/ f мин) частотных точек, но минимальная частота, рассматриваемая в этом случае, 1/( ofac × <reservedrangesplaceholder2> × <reservedrangesplaceholder1>  ). ofac значение по умолчанию - 4.

пример

[pxx,fvec] = plomb(___,fvec) оценивает PSD x на частотах, указанных в fvec. fvec должен иметь не менее двух элементов. Второй выходной аргумент аналогичен входу fvec.

Вы не можете задать максимальную частоту или коэффициент избыточной дискретизации, если используете этот синтаксис.

пример

[___] = plomb(___,spectrumtype) задает нормализацию периодограммы.

  • Задайте spectrumtype на 'psd'или оставить его неопределенным, чтобы получить pxx как спектральная плотность степени.

  • Задайте spectrumtype на 'power' для получения спектра степени входного сигнала.

  • Задайте spectrumtype на 'normalized' чтобы получить стандартную периодограмму Ломба-Скаргля, которая масштабируется в два раза больше отклонение x.

пример

[___,pth] = plomb(___,'Pd',pdvec) возвращает порог уровня мощности, pth, таким образом, что пик со значением, большим pth имеет вероятность pdvec быть истинным пиком сигнала, а не результатом случайных колебаний. pdvec может быть вектором. Каждый элемент pdvec должно быть больше 0 и меньше 1. Каждая строка pth соответствует элементу pdvec. pth имеет то же количество каналов, что и x. Эта опция недоступна, если вы задаете выходные частоты в fvec.

пример

[pxx,w] = plomb(x) возвращает оценку PSD x оценивается на наборе равномерно разнесенных нормированных частот, w, охватывающий интервал Найквиста. Использование NaNs, чтобы задать отсутствующие выборки. Все вышеперечисленные опции доступны для нормированных частот. Чтобы получить к ним доступ, задайте пустой массив как второй вход.

пример

plomb(___) без выходных аргументов строит графики оценки PSD периодограммы Ломба-Скаргля в текущую фигуру окне.

Примеры

свернуть все

Метод Lomb-Scargle может обрабатывать сигналы, которые были дискретизированы неравномерно или имеют отсутствующие выборки.

Сгенерируйте двухканальный синусоидальный сигнал, дискретизированный с частотой дискретизации 1 кГц около 0,5 с. Синусоидальные частоты составляют 175 Гц и 400 Гц. Встройте сигнал в белый шум с отклонением σ2=1/4.

Fs = 1000;
f0 = 175;
f1 = 400;

t = 0:1/Fs:0.5;

wgn = randn(length(t),2)/2;

sigOrig = sin(2*pi*[f0;f1]*t)' + wgn;

Вычислите и постройте график периодограммы сигнала. Использование periodogram с настройками по умолчанию.

periodogram(sigOrig,[],[],Fs)

axisLim = axis;
title('Periodogram')

Figure contains an axes. The axes with title Periodogram contains 2 objects of type line.

Использование plomb с настройками по умолчанию для оценки и построения графика PSD сигнала. Используйте пределы по осям от предыдущего графика.

plomb(sigOrig,t)

axis(axisLim)
title('Lomb-Scargle')

Figure contains an axes. The axes with title Lomb-Scargle contains 2 objects of type line.

Предположим, что сигнал пропускает 10% исходных выборок. Размещение NaNs в случайных местоположениях, чтобы симулировать отсутствующие точки данных. Использование plomb для оценки и построения графика PSD сигнала с отсутствующими выборками.

sinMiss = sigOrig;

misfrac = 0.1;
nTime = length(t)*2;

sinMiss(randperm(nTime,round(nTime*misfrac))) = NaN;

plomb(sinMiss,t)

axis(axisLim)
title('Missing Samples')

Figure contains an axes. The axes with title Missing Samples contains 2 objects of type line.

Дискретизируйте исходный сигнал, но сделайте дискретизацию неоднородной, добавив дрожание (неопределенность) к измерениям времени. Первый момент продолжает оставаться на нуле. Использование plomb для оценки и построения графика PSD неоднородно дискретизированного сигнала.

tirr = t + (1/2-rand(size(t)))/Fs/2;
tirr(1) = 0;

sinIrreg = sin(2*pi*[f0;f1]*tirr)' + wgn;

plomb(sinIrreg,tirr)

axis(axisLim)
title('Nonuniform Sampling')

Figure contains an axes. The axes with title Nonuniform Sampling contains 2 objects of type line.

Галилей Галилей наблюдал за движением четырёх крупнейших спутников Юпитера зимой 1610 года. Когда погода позволяла, Галилей регистрировал местоположение спутников. Используйте его наблюдения, чтобы оценить орбитальный период одного из спутников, Callisto.

Угловое положение Каллисто измеряется в минутах дуги. Отсутствующие данные из-за облачных условий задаются с помощью NaNs. Первое наблюдение датировано 15 января. Сгенерируйте datetime массив времени наблюдения.

yg = [10.5 NaN 11.5 10.5 NaN NaN NaN -5.5 -10.0 -12.0 -11.5 -12.0 -7.5 ...
    NaN NaN NaN NaN 8.5 12.5 12.5 10.5 NaN NaN NaN -6.0 -11.5 -12.5 ...
    -12.5 -10.5 -6.5 NaN 2.0 8.5 10.5 NaN 13.5 NaN 10.5 NaN NaN NaN ...
    -8.5 -10.5 -10.5 -10.0 -8.0]';

obsv = datetime(1610,1,14+(1:length(yg)));

plot(yg,'o')

ax = gca;
nights = [1 18 32 46];
ax.XTick = nights;
ax.XTickLabel = char(obsv(nights));
grid

Figure contains an axes. The axes contains an object of type line.

Оцените спектр степени данных с помощью plomb. Задайте коэффициент избыточной дискретизации 10. Выражайте полученные частоты в обратные дни.

[pxx,f] = plomb(yg,obsv,[],10,'power');
f = f*86400;

Использование findpeaks для определения местоположения единственного заметного пика спектра. Постройте график степени спектра и покажите пик.

[pk,f0] = findpeaks(pxx,f,'MinPeakHeight',10);

plot(f,pxx,f0,pk,'o')
xlabel('Frequency (day^{-1})')
title('Power Spectrum and Prominent Peak')
grid

Figure contains an axes. The axes with title Power Spectrum and Prominent Peak contains 2 objects of type line.

Определите орбитальный период Каллисто (в днях) как обратную частоте максимальной энергии. Результат отличается менее чем на 1% от значения, опубликованного НАСА.

Period = 1/f0
Period = 16.6454
NASA = 16.6890184;
PercentDiscrep = (Period-NASA)/NASA*100
PercentDiscrep = -0.2613

Галилей Галилей обнаружил четыре крупнейших спутника Юпитера в январе 1610 года и регистрировал их местоположение каждую ясную ночь до марта того же года. Используйте данные Галилея, чтобы найти орбитальный период Каллисто, самого внешнего из четырех спутников.

Наблюдения Галилео углового положения Каллисто находятся в минутах дуги. Из-за облачных условий имеется несколько погрешностей. Сгенерируйте duration массив времени наблюдения.

t = [0 2 3 7 8 9 10 11 12 17 18 19 20 24 25 26 27 28 29 31 32 33 35 37 ...
    41 42 43 44 45]';
td = days(t);

yg = [10.5 11.5 10.5 -5.5 -10.0 -12.0 -11.5 -12.0 -7.5 8.5 12.5 12.5 ...
    10.5 -6.0 -11.5 -12.5 -12.5 -10.5 -6.5 2.0 8.5 10.5 13.5 10.5 -8.5 ...
    -10.5 -10.5 -10.0 -8.0]';

plot(td,yg,'o')

Figure contains an axes. The axes contains an object of type line.

Использование plomb для вычисления периодограммы данных. Оцените спектр степени до частоты 0.5day-1. Задайте коэффициент избыточной дискретизации 10. Выберите стандартную нормализацию Lomb-Scargle.

oneday = seconds(days(1));

[pxx,f] = plomb(yg,td,0.5/oneday,10,'normalized');

f = f*oneday;

Периодограмма имеет один ясный максимум. Назовите пиковую частоту f0. Постройте график периодограммы и аннотируйте пик.

[pmax,lmax] = max(pxx);
f0 = f(lmax);

plot(f,pxx,f0,pmax,'o')
xlabel('Frequency (day^{-1})')

Figure contains an axes. The axes contains 2 objects of type line.

Используйте линейный метод наименьших квадратов, чтобы соответствовать данным, функции вида

y(t)=A+Bcos2πf0t+Csin2πf0t.

Параметрами аппроксимации являются амплитуды A, B и C.

ft = 2*pi*f0*t;

ABC = [ones(size(ft)) cos(ft) sin(ft)] \ yg
ABC = 3×1

    0.4243
   10.4444
    6.6137

Используйте параметры аппроксимации, чтобы создать функцию аппроксимации на 200-точечном интервале. Постройте график данных и наложите подгонку.

x = linspace(t(1),t(end),200)';
fx = 2*pi*f0*x;

y = [ones(size(fx)) cos(fx) sin(fx)] * ABC;

plot(td,yg,'o',days(x),y)

Figure contains an axes. The axes contains 2 objects of type line.

Дискретизируйте синусоиду 0,8 Гц с частотой 1 Гц на 100 С. Синусоида вводится в белый шум с отклонением 1/100. Сбросьте генератор случайных чисел для повторяемых результатов.

f0 = 0.8;

rng default
wgn = randn(1,100)/10;

ts = 1:100;
s = sin(2*pi*f0*ts) + wgn;

Вычислите и постройте график оценки спектральной плотности степени до скорости дискретизации. Задайте коэффициент избыточной дискретизации 10.

plomb(s,ts,1,10)

Figure contains an axes. The axes with title Lomb-Scargle Power Spectral Density Estimate contains an object of type line.

Существует сглаживание, потому что частота синусоиды больше частоты Найквиста.

Повторите вычисление, но теперь выберете синусоиду в случайные моменты времени. Включите частоты до 1 Гц. Задайте коэффициент избыточной дискретизации 2. Постройте график PSD.

tn = sort(100*rand(1,100));
n = sin(2*pi*f0*tn) + wgn;

ofac = 2;

plomb(n,tn,1,ofac)

Figure contains an axes. The axes with title Lomb-Scargle Power Spectral Density Estimate contains an object of type line.

Сглаживание исчезает. Нерегулярная выборка увеличивает эффективную частоту дискретизации за счет сокращения некоторых временных интервалов.

Изменение масштаба частот около 0,8 Гц. Используйте мелкую сетку с интервалом 0,001 Гц. Вы не можете задать коэффициент избыточной дискретизации или максимальную частоту в этом случае.

df = 0.001;
fvec = 0.7:df:0.9;

hold on
plomb(n,tn,fvec)
legend('ofac = 2','df = 0.001')

Figure contains an axes. The axes with title Lomb-Scargle Power Spectral Density Estimate contains 2 objects of type line. These objects represent ofac = 2, df = 0.001.

Произвести N=1024 выборки белого шума с отклонением σ=1, при скорости дискретизации 1 Гц. Вычислите степень спектр белого шума. Выберите нормализацию Lomb-Scargle и задайте коэффициент избыточной дискретизации ofac=15. Сбросьте генератор случайных чисел для повторяемых результатов.

rng default

N = 1024;
t = (1:N)';
wgn = randn(N,1);

ofac = 15;
[pwgn,f] = plomb(wgn,t,[],ofac,'normalized');

Проверьте, что оценка степени белого шума Ломба-Скаргля имеет экспоненциальное распределение с единичным средним. Постройте гистограмму значений pwgn и гистограмму множества экспоненциально распределенных случайных чисел, сгенерированных с помощью функции распределения f(z|1)=e-z. Чтобы нормализовать гистограммы, напомните, что общее количество выборок периодограммы составляет N×ofac/2. Задайте ширину интервала 0,25. Наложите график функции теоретического распределения.

dx = 0.25;
br = 0:dx:5;

Nf = N*ofac/2;

hpwgn = histcounts(pwgn,br)';

hRand = histcounts(-log(rand(Nf,1)),br)';

bend = br(1:end-1);

bar(bend,[hpwgn hRand]/Nf/dx,'histc')
hold on
plot(br,exp(-br))
legend('wgn','Empirical pdf','Theoretical pdf')
hold off

Figure contains an axes. The axes contains 3 objects of type patch, line. These objects represent wgn, Empirical pdf, Theoretical pdf.

Встройте в шум синусоидальный сигнал частоты 0,1 Гц. Используйте отношение сигнал/шум ξ=0.01. Задайте синусоидальную амплитуду, x0, с использованием отношения x0=σ2ξ. Вычислите степень спектр сигнала и постройте его гистограмму вместе с эмпирическими и теоретическое распределение функциями.

SNR = 0.01;
x0 = sqrt(2*SNR);
sigsmall = wgn + x0*sin(2*pi/10*t);

[psigsmall,f] = plomb(sigsmall,t,[],ofac,'normalized');

hpsigsmall = histcounts(psigsmall,br)';

bar(bend,[hpsigsmall hRand]/Nf/dx,'histc')
hold on
plot(br,exp(-br))
legend('sigsmall','Empirical pdf','Theoretical pdf')
hold off

Figure contains an axes. The axes contains 3 objects of type patch, line. These objects represent sigsmall, Empirical pdf, Theoretical pdf.

Повторите расчет используя ξ=1. Теперь распределение заметно отличается.

SNR = 1;
x0 = sqrt(2*SNR);
siglarge = wgn + x0*sin(2*pi/10*t);

[psiglarge,f] = plomb(siglarge,t,[],ofac,'normalized');

hpsiglarge = histcounts(psiglarge,br)';

bar(bend,[hpsiglarge hRand]/Nf/dx,'histc')
hold on
plot(br,exp(-br))
legend('siglarge','Empirical pdf','Theoretical pdf')
hold off

Figure contains an axes. The axes contains 3 objects of type patch, line. These objects represent siglarge, Empirical pdf, Theoretical pdf.

Сгенерируйте 100 выборки синусоидального сигнала со скоростью дискретизации 1 Гц. Задайте амплитуду 0,75 и частоту 0.6/2π0.096Hz. Встройте сигнал в белый шум отклонения 0.902. Сбросьте генератор случайных чисел для повторяемых результатов.

rng default

X0 = 0.75;
f0 = 0.6;
vr = 0.902;

Nsamp = 100;
t = 1:Nsamp;
X = X0*cos(f0*(1:Nsamp))+randn(1,Nsamp)*sqrt(vr);

Отбрасывайте 10% выборок случайным образом. Постройте график сигнала.

X(randperm(Nsamp,Nsamp/10)) = NaN;

plot(t,X,'o')

Figure contains an axes. The axes contains an object of type line.

Вычислите и постройте график нормированного спектра степени. Аннотировать уровни, которые соответствуют вероятностям ложного предупреждения 50%, 10%, 1% и 0,01%. Если вы генерируете много 90-выборочных сигналов белого шума с отклонением 0,902, то половина из них имеет один или несколько peaks выше 50% линии, 10% имеют один или несколько peaks выше 10% линии и так далее.

Pfa = [50 10 1 0.01]/100;
Pd = 1-Pfa;

[pxx,f,pth] = plomb(X,1:Nsamp,'normalized','Pd',Pd);

plot(f,pxx,f,pth*ones(size(f')))
xlabel('f')
text(0.3*[1 1 1 1],pth-.5,[repmat('P_{fa} = ',[4 1]) num2str(Pfa')])

Figure contains an axes. The axes contains 9 objects of type line, text.

В этом случае пик достаточно высок, что только около 0,01% возможных сигналов могут достичь его.

Использование plomb без выходных аргументов для повторения вычисления. График теперь логарифмичен, и уровни рисуются с точки зрения вероятностей обнаружения.

plomb(X,1:Nsamp,'normalized','Pd',Pd)

Figure contains 2 axes. Axes 1 is empty. Axes 2 with title Lomb-Scargle Normalized Periodogram contains 5 objects of type line.

Когда задан вектор данных как единственный вход, plomb оценивает спектральную плотность степени с использованием нормированных частот.

Сгенерируйте 128 выборки синусоиды нормированной частоты π/2 рад/образец, встроенный в белый Гауссов шум отклонения 1/100.

t = (0:127)';
x = sin(2*pi*t/4);
x = x + randn(size(x))/10;

Оцените PSD с помощью процедуры Lomb-Scargle. Повторите расчет с periodogram.

[p,f] = plomb(x);
[pper,fper] = periodogram(x);

Постройте графики оценок PSD в децибелах. Проверьте, что результаты эквивалентны.

plot(f/pi,pow2db(p))
hold on
plot(fper/pi,pow2db(pper))

axis([0 1 -40 20])
xlabel('\omega / \pi')
ylabel('PSD')
legend('plomb','periodogram')

Figure contains an axes. The axes contains 2 objects of type line. These objects represent plomb, periodogram.

Оцените Lomb-Scargle PSD трехканального сигнала, состоящего из синусоидов. Задайте частоты как 2π/3 рад/образец, π/2 рад/образец, и 2π/5 рад/образец. Добавьте белый Гауссов шум отклонения 1/100. Использование plomb без выходных аргументов для вычисления и построения графика оценки PSD в децибелах.

x3 = [sin(2*pi*t/3) sin(2*pi*t/4) sin(2*pi*t/5)];
x3 = x3 + randn(size(x3))/10;

figure
plomb(x3)

Figure contains an axes. The axes with title Lomb-Scargle Power Spectral Density Estimate contains 3 objects of type line.

Снова вычислите оценку PSD, но теперь удалите 25% данных случайным образом.

x3(randperm(numel(x3),0.25*numel(x3))) = NaN;

plomb(x3)

Figure contains an axes. The axes with title Lomb-Scargle Power Spectral Density Estimate contains 3 objects of type line.

Если у вас нет временного вектора, используйте NaN's, чтобы задать отсутствующие выборки в сигнале.

Сгенерируйте 1024 выборки синусоиды нормированной частоты 2π/5 рад/образец, встроенный в белый шум отклонения 1/100. Оцените спектральную плотность степени с помощью процедуры Ломба-Скаргля. Использование plomb без выходных аргументов для построения графика оценки.

t = (0:1023)';
x = sin(2*pi*t/5);
x = x + randn(size(x))/10;

[pxx,f] = plomb(x);

plomb(x)

Figure contains an axes. The axes with title Lomb-Scargle Power Spectral Density Estimate contains an object of type line.

Удалите каждую другую выборку путем назначения NaN's. Использование plomb для вычисления и построения графика PSD. Периодограмма пикует с той же частотой, потому что ось времени неизменна.

xnew = x;
xnew(2:2:end) = NaN;

plomb(xnew)

Figure contains an axes. The axes with title Lomb-Scargle Power Spectral Density Estimate contains an object of type line.

Удалите каждую другую выборку методом понижающей дискретизации. Теперь функция оценивает периодичность в два раза больше исходной частоты. Вероятно, это не тот результат, который вы хотите.

xdec = x(1:2:end);

plomb(xdec)

Figure contains an axes. The axes with title Lomb-Scargle Power Spectral Density Estimate contains an object of type line.

Входные параметры

свернуть все

Входной сигнал, заданный как вектор или матрица. Если x является вектором, он рассматривается как один канал. Если x является матрицей, тогда plomb вычисляет оценку PSD независимо для каждого столбца и возвращает ее в соответствующий столбец pxx. x может содержать NaNс. NaNs обрабатываются как отсутствующие данные и исключаются из расчетов спектра.

Типы данных: single | double

Моменты времени, заданные как неотрицательный вектор действительных чисел, datetime массив, или duration массив. t должен увеличиться монотонно, но не должен быть равномерно распределен. t может содержать NaNs или NaTs. Эти значения считаются отсутствующими данными и исключаются из расчета спектра.

Типы данных: single | double | datetime | duration

Частота дискретизации, заданная как положительная скалярная величина. Частота дискретизации является количеством выборок в единицу времени. Если модулем времени является секунды, частота дискретизации имеет модули измерения hertz.

Типы данных: single | double

Максимальная частота, заданная как положительная скалярная величина. fmax может быть выше частоты Найквиста.

Типы данных: single | double

Коэффициент избыточной дискретизации, заданный как положительный целочисленный скаляр.

Типы данных: single | double

Входные частоты, заданные как вектор. fvec должен иметь не менее двух элементов.

Типы данных: single | double

Масштабирование спектра степени, заданное как одно из 'psd', 'power', или 'normalized'. Опускание spectrumtype, или определение 'psd', возвращает оценку спектральной плотности степени. Определение 'power' масштабирует каждую оценку PSD по эквивалентной шумовой полосе окна. Задайте 'power' для получения оценки степени на каждой частоте. Определение 'normalized' шкалы pxx в два раза больше отклонения x.

Вероятности обнаружения, заданные как разделенная разделенными запятой парами, состоящая из 'Pd' и скаляр или вектор вещественных значений от 0 до 1, исключающих. Вероятность обнаружения является вероятностью того, что пик в спектре не связан со случайными колебаниями.

Типы данных: single | double

Выходные аргументы

свернуть все

Периодограмма Ломба-Скаргля, возвращенная как вектор или матрица. Когда входной сигнал, x, является вектором, тогда pxx является вектором. Когда x является матрицей, функция обрабатывает каждый столбец x как независимый канал и вычисляет периодограмму каждого канала.

Частоты, возвращенные как вектор.

Типы данных: single | double

Нормированные частоты, возвращенные как вектор.

Типы данных: single | double

Пороги уровня мощности, возвращенные как вектор или матрица. Порог уровня мощности является амплитудой, которую пик в спектре должен превысить, чтобы его можно было исключить (с вероятностью pdvec) что пик вызван случайными колебаниями. Каждая строка pth соответствует элементу pdvec. pth имеет то же количество каналов, что и x.

Типы данных: single | double

Подробнее о

свернуть все

Периодограмма Ломба-Скаргля

Периодограмма Ломба-Скаргля позволяет вам найти и протестировать слабые периодические сигналы в других случайных, неравномерно выбранных данных.

Рассмотрим N наблюдения, xk, взятые в моменты tk, где k = 1,..., N. Периодограмма Ломба-Скаргля определяется [2]

PLS(f)=12σ2{[k=1N(xkx¯)cos(2πf(tkτ))]2k=1Ncos2(2πf(tkτ))+[k=1N(xkx¯)sin(2πf(tkτ))]2k=1Nsin2(2πf(tkτ))},

где

x¯=1Nk=1Nxk

и

σ2=1N1k=1N(xkx¯)2

являются соответственно средним значением и отклонением данных.

Смещение времени, τ, выбирается как

tan(2(2πf)τ)=k=1Nsin(2(2πf)tk)k=1Ncos(2(2πf)tk)

чтобы гарантировать временную инвариантность вычисленного спектра. Любой <reservedrangesplaceholder5> → <reservedrangesplaceholder4> сдвига + T в измерениях времени приводит к идентичному сдвигу в смещении: <reservedrangesplaceholder2> → <reservedrangesplaceholder1> + T. Кроме того, выбор гарантирует, что «максимум в периодограмме происходит с той же частотой, которая минимизирует сумму квадратов невязок подгонки синусоиды к данным». [4] Смещение зависит только от времени измерения и исчезает, когда время распределено одинаково.

Если входной сигнал состоит из белого Гауссова шума, то P LS (f) следует экспоненциальному распределению вероятностей с единичным средним [3].

Ссылки

[1] Хорн, Джеймс Х. и Салли Л. Балюнас. «Рецепт для периодического анализа неравномерно выбранных временных рядов». Астрофизический журнал. Том 302, 1986, с. 757-763.

[2] Ломб, Николас Р. «Частотный анализ методом наименьших квадратов неравномерно разнесенных данных». Астрофизика и космическая наука. Том 39, 1976, стр. 447-462.

[3] Press, William H., and George B. Rybicki. Быстрый алгоритм спектрального анализа неравномерно выбранных данных. Астрофизический журнал. Том 338, 1989, стр. 277-280.

[4] Scargle, Jeffrey D ". Studies in Astronomical Time Series Analysis. II. Статистические аспекты спектрального анализа неравномерно разнесенных данных. " Астрофизический журнал. Том 263, 1982, с. 835-853.

Расширенные возможности

.
Введенный в R2014b
Для просмотра документации необходимо авторизоваться на сайте