ฉันมีปัญหาในการสร้างชุดของชุดสีเวลาคงที่ให้เมทริกซ์ความแปรปรวนร่วมของพวกเขา (ความหนาแน่นสเปกตรัมพลังงานของพวกเขา (PSDs) และความหนาแน่นสเปกตรัมข้ามอำนาจ (CSDs)
ฉันรู้ว่าเมื่อได้รับอนุกรมเวลาสองชุดและฉันสามารถประเมินความหนาแน่นเชิงสเปกตรัมกำลัง (PSDs) และความหนาแน่นข้ามสเปกตรัม (CSDs) โดยใช้กิจวัตรที่มีอยู่มากมายเช่นและฟังก์ชั่นใน Matlab เป็นต้น PSDs และ CSD ประกอบขึ้นเป็นเมทริกซ์ความแปรปรวนร่วม:
psd()
csd()
จะเกิดอะไรขึ้นถ้าฉันต้องการย้อนกลับ รับเมทริกซ์ความแปรปรวนร่วมฉันจะสร้างการรับรู้ของและอย่างไร
โปรดรวมทฤษฎีพื้นหลังใด ๆ หรือชี้ให้เห็นเครื่องมือที่มีอยู่ใด ๆ ที่ทำสิ่งนี้ (สิ่งใดใน Python จะดีมาก)
ความพยายามของฉัน
ด้านล่างนี้เป็นคำอธิบายของสิ่งที่ฉันได้ลองและปัญหาที่ฉันสังเกตเห็น มันเป็นบิตของการอ่านนานและขอโทษถ้ามันมีคำศัพท์ที่ใช้ในทางที่ผิด หากสิ่งที่ผิดพลาดสามารถชี้ให้เห็นว่าจะเป็นประโยชน์มาก แต่คำถามของฉันคือตัวหนาด้านบน
- PSDs และ CSDs สามารถเขียนเป็นค่าความคาดหวัง (หรือค่าเฉลี่ยทั้งหมด) ของผลิตภัณฑ์ของการแปลงฟูริเยร์ของอนุกรมเวลา ดังนั้นเมทริกซ์ความแปรปรวนร่วมสามารถเขียนเป็น:
ที่ไหน
- เมทริกซ์ความแปรปรวนร่วมเป็นเมทริกซ์เฮอร์มีเชียนมีค่าลักษณะเฉพาะจริงที่เป็นศูนย์หรือบวก ดังนั้นมันสามารถจำแนกออกเป็น
โดยที่เป็นเมทริกซ์แนวทแยงมุมซึ่งองค์ประกอบที่ไม่ใช่ศูนย์คือสแควร์รูทของค่าลักษณะเฉพาะ เป็นเมทริกซ์ที่มีคอลัมน์เป็น eigenvectors orthonormal ของ ;เป็นเมทริกซ์เอกลักษณ์
- เมทริกซ์เอกลักษณ์ถูกเขียนเป็น
โดยที่
และไม่มีการเชื่อมโยงและชุดความถี่ที่ซับซ้อนซึ่งมีค่าเฉลี่ยศูนย์และค่าความแปรปรวนของหน่วย
- โดยใช้ 3. ใน 2 แล้วเปรียบเทียบกับ 1 การแปลงฟูริเยร์ของอนุกรมเวลาคือ:
- จากนั้นอนุกรมเวลาสามารถรับได้โดยใช้รูทีนเช่นการแปลงฟูริเยร์ที่ตรงกันข้าม
ฉันได้เขียนกิจวัตรใน Python เพื่อทำสิ่งนี้:
def get_noise_freq_domain_CovarMatrix( comatrix , df , inittime , parityN , seed='none' , N_previous_draws=0 ) :
"""
returns the noise time-series given their covariance matrix
INPUT:
comatrix --- covariance matrix, Nts x Nts x Nf numpy array
( Nts = number of time-series. Nf number of positive and non-Nyquist frequencies )
df --- frequency resolution
inittime --- initial time of the noise time-series
parityN --- is the length of the time-series 'Odd' or 'Even'
seed --- seed for the random number generator
N_previous_draws --- number of random number draws to discard first
OUPUT:
t --- time [s]
n --- noise time-series, Nts x N numpy array
"""
if len( comatrix.shape ) != 3 :
raise InputError , 'Input Covariance matrices must be a 3-D numpy array!'
if comatrix.shape[0] != comatrix.shape[1] :
raise InputError , 'Covariance matrix must be square at each frequency!'
Nts , Nf = comatrix.shape[0] , comatrix.shape[2]
if parityN == 'Odd' :
N = 2 * Nf + 1
elif parityN == 'Even' :
N = 2 * ( Nf + 1 )
else :
raise InputError , "parityN must be either 'Odd' or 'Even'!"
stime = 1 / ( N*df )
t = inittime + stime * np.arange( N )
if seed == 'none' :
print 'Not setting the seed for np.random.standard_normal()'
pass
elif seed == 'random' :
np.random.seed( None )
else :
np.random.seed( int( seed ) )
print N_previous_draws
np.random.standard_normal( N_previous_draws ) ;
zs = np.array( [ ( np.random.standard_normal((Nf,)) + 1j * np.random.standard_normal((Nf,)) ) / np.sqrt(2)
for i in range( Nts ) ] )
ntilde_p = np.zeros( ( Nts , Nf ) , dtype=complex )
for k in range( Nf ) :
C = comatrix[ :,:,k ]
if not np.allclose( C , np.conj( np.transpose( C ) ) ) :
print "Covariance matrix NOT Hermitian! Unphysical."
w , V = sp_linalg.eigh( C )
for m in range( w.shape[0] ) :
w[m] = np.real( w[m] )
if np.abs(w[m]) / np.max(w) < 1e-10 :
w[m] = 0
if w[m] < 0 :
print 'Negative eigenvalue! Simulating unpysical signal...'
ntilde_p[ :,k ] = np.conj( np.sqrt( N / (2*stime) ) * np.dot( V , np.dot( np.sqrt( np.diag( w ) ) , zs[ :,k ] ) ) )
zerofill = np.zeros( ( Nts , 1 ) )
if N % 2 == 0 :
ntilde = np.concatenate( ( zerofill , ntilde_p , zerofill , np.conj(np.fliplr(ntilde_p)) ) , axis = 1 )
else :
ntilde = np.concatenate( ( zerofill , ntilde_p , np.conj(np.fliplr(ntilde_p)) ) , axis = 1 )
n = np.real( sp.ifft( ntilde , axis = 1 ) )
return t , n
ฉันได้ประยุกต์ใช้รูทีนนี้กับ PSD และ CSDs ซึ่งเป็นนิพจน์การวิเคราะห์ที่ได้รับจากการสร้างแบบจำลองของตัวตรวจจับบางตัวที่ฉันทำงานด้วย สิ่งสำคัญคือที่ความถี่ทั้งหมดพวกเขาทำเมทริกซ์ความแปรปรวนร่วม (อย่างน้อยพวกเขาก็ผ่านข้อความเหล่านั้นทั้งหมดif
ในรูทีน) เมทริกซ์ความแปรปรวนร่วมเป็น 3x3 ซีรีย์ 3 เวลาถูกสร้างขึ้นประมาณ 9000 ครั้งและ PSDs และ CSDs โดยประมาณซึ่งมีค่าเฉลี่ยสำหรับการรับรู้ทั้งหมดเหล่านี้จะถูกพล็อตด้านล่างด้วยการวิเคราะห์ ในขณะที่รูปร่างโดยรวมเห็นด้วยมีคุณสมบัติที่มีเสียงดังที่เห็นได้ชัดเจนที่ความถี่บางอย่างใน CSD (รูปที่ 2) หลังจากใกล้จุดสูงสุดใน PSD (รูปที่ 3) ฉันสังเกตเห็นว่า PSD นั้นประเมินค่าต่ำไปจริง ๆและคุณสมบัติที่มีเสียงดังใน CSD นั้นเกิดขึ้นที่ความถี่เดียวกับพีคส์ใน PSD ฉันไม่คิดว่านี่เป็นเรื่องบังเอิญและพลังนั้นรั่วไหลจาก PSD เข้าสู่ CSD ฉันคาดหวังว่าเส้นโค้งจะวางซ้อนทับกันด้วยการรับรู้ข้อมูลจำนวนมาก