Я пытаюсь оптимизировать некоторый код, который мне дали, в котором БПФ берется из скользящего окна по временному ряду (указанному в виде списка), и каждый результат накапливается в списке. Исходный код выглядит следующим образом:
def calc_old(raw_data):
FFT_old = list()
for i in range(0, len(raw_data), bf.WINDOW_STRIDE_LEN):
if (i + bf.WINDOW_LEN) >= len(raw_data):
# Skip the windows that would extend beyond the end of the data
continue
data_tmp = raw_data[i:i+bf.WINDOW_LEN]
data_tmp -= np.mean(data_tmp)
data_tmp = np.multiply(data_tmp, np.hanning(len(data_tmp)))
fft_data_tmp = np.fft.fft(data_tmp, n=ZERO_PAD_LEN)
fft_data_tmp = abs(fft_data_tmp[:int(len(fft_data_tmp)/2)])**2
FFT_old.append(fft_data_tmp)
И новый код:
def calc_new(raw_data):
data = np.array(raw_data) # Required as the data is being handed in as a list
f, t, FFT_new = spectrogram(data,
fs=60.0,
window="hann",
nperseg=bf.WINDOW_LEN,
noverlap=bf.WINDOW_OVERLAP,
nfft=bf.ZERO_PAD_LEN,
scaling='spectrum')
Таким образом, старый код окна временного ряда, удаляет среднее значение, применяет оконную функцию Ханна, принимает БПФ (с заполнением нулями, как ZERO_PAD_LEN>WINDOW_LEN), а затем берет абсолютное значение действительной половины и возводит его в квадрат для получения спектр мощности (Единицы V ** 2). Затем он сдвигает окно на WINDOW_STRIDE_LEN и повторяет процесс до тех пор, пока окно не выйдет за пределы конца данных. Это перекрытие WINDOW_OVERLAP.
Насколько я могу судить, спектрограмма должна делать то же самое с приведенными мной аргументами. Однако результирующие размеры БПФ различаются на 1 для каждой оси (например, старый код - MxN, новый код - (M + 1) x (N + 1)), а значение в каждом интервале частот существенно отличается - на несколько порядков. величины, в некоторых случаях.
Что мне здесь не хватает?
