spectrum1dgmt - ອອນລາຍໃນຄລາວ

ໂຄງການ:

NAME

spectrum1d - Compute auto- [ແລະ cross-] spectra ຈາກຫນຶ່ງ [ຫຼືສອງ] time-series

ສະຫຼຸບສັງລວມ

spectrum1d [ ຕາຕະລາງ ] segment_size][xycnpago] ] [ dt ][h|m] ] [name_stem ] ] [ ] [
] [ -b] [ -d] [ -f] [ -g] [ -h] [ -i]

ຫມາຍ​ເຫດ​: ບໍ່ອະນຸຍາດໃຫ້ມີຊ່ອງຫວ່າງລະຫວ່າງທຸງທາງເລືອກ ແລະອາກິວເມັນທີ່ກ່ຽວຂ້ອງ.

ລາຍລະອຽດ

spectrum1d ອ່ານຄ່າ X [ແລະ Y] ຈາກຖັນທຳອິດ [ແລະທີສອງ] ໃນການປ້ອນຂໍ້ມູນມາດຕະຖານ
[ຫຼື x[y]ໄຟລ໌]. ຄ່າເຫຼົ່ານີ້ຖືກປະຕິບັດເປັນຕາຕະລາງເວລາ X(t) [Y(t)] ຕົວຢ່າງເທົ່າກັບ
ໄລຍະຫ່າງ dt ໜ່ວຍ​ຕ່າງ. ອາດ​ຈະ​ມີ​ເສັ້ນ​ໃດ​ຫນຶ່ງ​ຂອງ​ການ​ປ້ອນ​ຂໍ້​ມູນ​. spectrum1d
ຈະສ້າງໄຟລ໌ທີ່ມີອັດຕະໂນມັດ [ແລະຂ້າມ-] ການຄາດຄະເນຄວາມຫນາແຫນ້ນຂອງ spectral ໂດຍ Welch's
ວິ​ທີ​ການ​ລວມ​ສະ​ເລ່ຍ​ຂອງ​ປ່ອງ​ຢ້ຽມ​ທັບ​ຊ້ອນ​ຫຼາຍ​, ການ​ນໍາ​ໃຊ້​ຄວາມ​ຜິດ​ພາດ​ມາດ​ຕະ​ຖານ​
ການຄາດຄະເນຈາກ Bendat ແລະ Piersol.

ໄຟລ໌ຜົນຜະລິດມີ 3 ຖັນ: f ຫຼື w, p, ແລະ e. f ຫຼື w ແມ່ນຄວາມຖີ່ຫຼືຄວາມຍາວຄື່ນ,
p ແມ່ນ​ການ​ຄາດ​ຄະ​ເນ​ຄວາມ​ຫນາ​ແຫນ້ນ spectral​, ແລະ e ແມ່ນ​ມາດ​ຕະ​ຖານ​ຫນຶ່ງ​ຂະ​ຫນາດ​ແຖບ​ຄວາມ​ຜິດ​ພາດ deviation​.
ໄຟລ໌ເຫຼົ່ານີ້ແມ່ນມີຊື່ໂດຍອີງໃສ່ name_stemທີ່ຢູ່ ຖ້າຫາກວ່າ -C ທາງ​ເລືອກ​ໄດ້​ຖືກ​ນໍາ​ໃຊ້​, ເຖິງ​ແປດ​ໄຟລ​໌​ແມ່ນ​
ສ້າງ; ຖ້າບໍ່ດັ່ງນັ້ນພຽງແຕ່ຫນຶ່ງ (xpower) ຖືກຂຽນ. ໄຟລ໌ (ຊຶ່ງເປັນ ASCII ເວັ້ນເສຍແຕ່ -ໂບ is
set​) ມີ​ດັ່ງ​ຕໍ່​ໄປ​ນີ້​:

name_stem.xpower
ຄວາມຫນາແຫນ້ນຂອງແສງຕາເວັນຂອງ X(t). ຫົວໜ່ວຍຂອງ X * X * dt.

name_stem.ypower
ຄວາມຫນາແຫນ້ນຂອງສະເປກຕຣາພະລັງງານ Y(t). ຫົວໜ່ວຍ Y*Y* dt.

name_stem.cpower
ຄວາມຫນາແຫນ້ນຂອງສະເປກຕຣາພະລັງງານຂອງຜົນຜະລິດທີ່ສອດຄ່ອງກັນ. ຫົວໜ່ວຍດຽວກັນກັບ ypower.

name_stem.npower
ຄວາມຫນາແຫນ້ນຂອງພະລັງງານ spectral ຂອງຜົນຜະລິດສິ່ງລົບກວນ. ຫົວໜ່ວຍດຽວກັນກັບ ypower.

name_stem.ໄດ້ຮັບ
ໄດ້ຮັບ spectrum, ຫຼືໂມດູລຂອງຟັງຊັນການໂອນ. ຫົວໜ່ວຍຂອງ (Y / X).

name_stem.ໄລຍະ
ໄລຍະ spectrum, ຫຼືໄລຍະຂອງການທໍາງານຂອງການໂອນ. ຫົວໜ່ວຍແມ່ນເຣດຽນ.

name_stem.ຍອມຮັບ
Admittance spectrum, ຫຼືສ່ວນທີ່ແທ້ຈິງຂອງຫນ້າທີ່ໂອນ. ຫົວໜ່ວຍຂອງ (Y / X).

name_stem.ໂກ
(Squared) coherency spectrum, ຫຼືຕົວຄູນຄວາມສຳພັນເສັ້ນຊື່ເປັນໜ້າທີ່ຂອງ
ຄວາມຖີ່. ຕົວເລກທີ່ບໍ່ມີມິຕິໃນ [0, 1]. ອັດຕາສ່ວນສັນຍານຫາສຽງລົບກວນ (SNR) ແມ່ນ coh /
(1 - coh). SNR = 1 ເມື່ອ coh = 0.5.

ນອກຈາກນັ້ນ, ໄຟລ໌ດຽວທີ່ມີທັງຫມົດຂ້າງເທິງເປັນຄໍລໍາສ່ວນບຸກຄົນຈະຖືກຂຽນໃສ່
stdout (ເວັ້ນເສຍແຕ່ປິດການໃຊ້ງານຜ່ານ -T).

ຕ້ອງການ ການໂຕ້ຖຽງ

-Ssegment_size]
segment_size ແມ່ນຕົວເລກ radix-2 ຂອງຕົວຢ່າງຕໍ່ປ່ອງຢ້ຽມສໍາລັບການສະເລ່ຍຂອງກຸ່ມ. ໄດ້
ຄວາມຖີ່ໜ້ອຍທີ່ສຸດທີ່ຄາດຄະເນແມ່ນ 1.0/(segment_size * dt), ໃນຂະນະທີ່ທີ່ໃຫຍ່ທີ່ສຸດແມ່ນ
1.0/(2 * dt). ຄວາມ​ຜິດ​ພາດ​ມາດ​ຕະ​ຖານ​ຫນຶ່ງ​ໃນ​ຄວາມ​ຫນາ​ແຫນ້ນ​ຂອງ​ພະ​ລັງ​ງານ​ແມ່ນ​ປະ​ມານ 1.0 /
sqrt(n_data / segment_size), ດັ່ງນັ້ນຖ້າຫາກວ່າ segment_size = 256, ທ່ານຕ້ອງການຂໍ້ມູນ 25,600 ເພື່ອໃຫ້ໄດ້ຮັບ
ແຖບຄວາມຜິດພາດມາດຕະຖານຫນຶ່ງຂອງ 10%. ແຖບຄວາມຜິດພາດຂ້າມສະເປກມີຂະໜາດໃຫຍ່ກວ່າ ແລະຫຼາຍ
ຊັບຊ້ອນ, ເປັນຫນ້າທີ່ຂອງຄວາມສອດຄ່ອງ.

ທາງເລືອກ ການໂຕ້ຖຽງ

ຕາຕະລາງ ຫນຶ່ງ ຫຼື ຫຼາຍ ASCII (ຫຼື binary, ເບິ່ງ -bi) ໄຟລ໌ທີ່ຖື X(t) [Y(t)] ຕົວຢ່າງຢູ່ໃນ
1 [ຫຼື 2] ຖັນທໍາອິດ. ຖ້າບໍ່ມີໄຟລ໌ໃດຖືກລະບຸ, spectrum1d ຈະອ່ານຈາກ
ວັດສະດຸປ້ອນມາດຕະຖານ.

-C[xycnpago]
ອ່ານສອງຖັນທຳອິດຂອງການປ້ອນຂໍ້ມູນເປັນຕົວຢ່າງຂອງສອງຊຸດເວລາ, X(t) ແລະ Y(t).
ພິຈາລະນາ Y(t) ເປັນຜົນຜະລິດແລະ X(t) ວັດສະດຸປ້ອນໃນລະບົບເສັ້ນຊື່ທີ່ມີສິ່ງລົບກວນ.
ປະເມີນຟັງຊັນການຕອບສະໜອງຄວາມຖີ່ທີ່ເໝາະສົມໂດຍຂັ້ນສອງຢ່າງໜ້ອຍ, ເຊັ່ນວ່າ
ຜົນຜະລິດສິ່ງລົບກວນໄດ້ຖືກຫຼຸດຫນ້ອຍລົງແລະຜົນຜະລິດທີ່ສອດຄ່ອງກັນແລະຜົນຜະລິດສຽງລົບກວນແມ່ນ
ບໍ່ກ່ຽວຂ້ອງ. ທາງເລືອກໃນການລະບຸເຖິງ 8 ຕົວອັກສອນຈາກຊຸດ { x y c n p a g o }
ໃນຄໍາສັ່ງໃດໆທີ່ຈະສ້າງພຽງແຕ່ໄຟລ໌ຜົນຜະລິດເຫຼົ່ານັ້ນແທນທີ່ຈະເປັນຄ່າເລີ່ມຕົ້ນ [ທັງຫມົດ]. x =
xpower, y = ypower, c = ພະລັງງານ, n = npower, p = ໄລ​ຍະ​, a = ຍອມຮັບ, g = ໄດ້​ຮັບ​, o =
ໂກ.

-Ddt dt ກໍານົດໄລຍະຫ່າງລະຫວ່າງຕົວຢ່າງໃນຊຸດເວລາ [Default = 1].

-L ປ່ອຍໃຫ້ທ່າອ່ຽງຢູ່ຄົນດຽວ. ໂດຍຄ່າເລີ່ມຕົ້ນ, ແນວໂນ້ມເສັ້ນຊື່ຈະຖືກລຶບອອກກ່ອນ
ຫັນປ່ຽນ. ອີກທາງເລືອກ, ຕື່ມໃສ່ m ພຽງແຕ່ເອົາຄ່າສະເລ່ຍຫຼື h ເພື່ອເອົາ
ມູນຄ່າກາງ.

-N[name_stem]
ສະຫນອງ stem ຊື່ທາງເລືອກທີ່ຈະນໍາໃຊ້ສໍາລັບໄຟລ໌ຜົນຜະລິດ [Default = "spectrum"].
ບໍ່ໃຫ້ມີການໂຕ້ຖຽງຈະປິດການທໍາງານການຂຽນຂອງໄຟລ໌ຜົນຜະລິດສ່ວນບຸກຄົນ.

-V[ລະດັບ] (ຫຼາຍ ... )
ເລືອກລະດັບ verbosity [c].

-T ປິດການໃຊ້ງານການຂຽນໄຟລ໌ຜົນໄດ້ຮັບແບບປະສົມດຽວໄປຫາ stdout.

-W ຂຽນ Wavelength ແທນຄວາມຖີ່ໃນຖັນທີ 1 ຂອງໄຟລ໌ຜົນຜະລິດ[s] [Default =
ຄວາມຖີ່, (ຮອບວຽນ / dt)]

-bi[ncols[t] (ຫຼາຍ ... )
ເລືອກການປ້ອນຂໍ້ມູນຖານສອງ. [ຄ່າເລີ່ມຕົ້ນແມ່ນ 2 ຖັນການປ້ອນຂໍ້ມູນ].

-bo[ncols][ປະເພດ] (ຫຼາຍ ... )
ເລືອກຜົນຜະລິດຖານສອງ. [ຄ່າເລີ່ມຕົ້ນແມ່ນ 2 ຖັນຜົນຜະລິດ].

-d[i|o]ບໍ່​ມີ​ຂໍ້​ມູນ (ຫຼາຍ ... )
ແທນທີ່ຖັນຂາເຂົ້າທີ່ເທົ່າກັນ ບໍ່​ມີ​ຂໍ້​ມູນ ກັບ NaN ແລະເຮັດການປີ້ນກັບຜົນຜະລິດ.

-f[i|o]colinfo (ຫຼາຍ ... )
ລະບຸປະເພດຂໍ້ມູນຂອງຖັນຂາເຂົ້າ ແລະ/ຫຼືຜົນຜະລິດ.

-g[a]x|y|d|X|Y|D|[col]z[+|-]ຊ່ອງຫວ່າງ[ຫຼື] (ຫຼາຍ ... )
ກໍານົດຊ່ອງຫວ່າງຂໍ້ມູນແລະການແບ່ງແຖວ.

-h[i|o][n][+c][+d][+rສັງເກດເຫັນ][+rຫົວຂໍ້] (ຫຼາຍ ... )
ຂ້າມ ຫຼືສ້າງບັນທຶກສ່ວນຫົວ.

-iຄໍ[l][sຂະຫນາດ][oຊົດເຊີຍ][,...] (ຫຼາຍ ... )
ເລືອກຖັນປ້ອນຂໍ້ມູນ (0 ແມ່ນຖັນທຳອິດ).

-^ or ພຽງແຕ່ -
ພິມຂໍ້ຄວາມສັ້ນກ່ຽວກັບ syntax ຂອງຄໍາສັ່ງ, ຫຼັງຈາກນັ້ນອອກ (ຫມາຍເຫດ: ໃນ Windows
ໃຊ້ພຽງແຕ່ -).

-+ or ພຽງແຕ່ +
ພິມຂໍ້ຄວາມການນໍາໃຊ້ຢ່າງກວ້າງຂວາງ (ການຊ່ວຍເຫຼືອ), ລວມທັງຄໍາອະທິບາຍຂອງໃດໆ
ທາງເລືອກໂມດູນສະເພາະ (ແຕ່ບໍ່ແມ່ນຕົວເລືອກທົ່ວໄປ GMT), ຫຼັງຈາກນັ້ນອອກ.

-? or no ກະທູ້ທີ່
ພິມຂໍ້ຄວາມການນໍາໃຊ້ທີ່ສົມບູນ, ລວມທັງຄໍາອະທິບາຍທາງເລືອກ, ຫຼັງຈາກນັ້ນ
ອອກ.

- ການປ່ຽນແປງ
ພິມສະບັບ GMT ແລະອອກ.

--show-datadir
ພິມເສັ້ນທາງເຕັມໄປຫາ GMT share directory ແລະອອກ.

ASCII ຮູບແບບ PRECISION

ຮູບ​ແບບ​ຜົນ​ຜະ​ລິດ ASCII ຂອງ​ຂໍ້​ມູນ​ຈໍາ​ນວນ​ຫຼາຍ​ໄດ້​ຖືກ​ຄວບ​ຄຸມ​ໂດຍ​ຕົວ​ກໍາ​ນົດ​ການ​ໃນ​ຂອງ​ທ່ານ​ gmt.conf
ໄຟລ໌. ເສັ້ນແວງ ແລະເສັ້ນຂະໜານຖືກຈັດຮູບແບບຕາມ FORMAT_GEO_OUT, ໃນຂະນະທີ່ອື່ນໆ
ຄ່າຖືກຈັດຮູບແບບຕາມ FORMAT_FLOAT_OUT. ຈົ່ງຮູ້ວ່າຮູບແບບທີ່ມີຜົນສາມາດ
ນໍາໄປສູ່ການສູນເສຍຄວາມແມ່ນຍໍາໃນຜົນຜະລິດ, ຊຶ່ງສາມາດນໍາໄປສູ່ບັນຫາຕ່າງໆລົງລຸ່ມ. ຖ້າ
ທ່ານພົບວ່າຜົນຜະລິດບໍ່ໄດ້ຖືກຂຽນດ້ວຍຄວາມແມ່ນຍໍາພຽງພໍ, ພິຈາລະນາປ່ຽນເປັນຖານສອງ
ຜົນຜະລິດ (-ໂບ ຖ້າມີ) ຫຼືລະບຸຕົວເລກທົດສະນິຍົມເພີ່ມເຕີມໂດຍໃຊ້ການຕັ້ງຄ່າ FORMAT_FLOAT_OUT.

ຕົວຢ່າງ

ສົມມຸດວ່າ data.g ແມ່ນຂໍ້ມູນແຮງໂນ້ມຖ່ວງໃນ mGal, ເອົາຕົວຢ່າງທຸກໆ 1.5 ກິໂລແມັດ. ການຂຽນ spectrum ພະລັງງານຂອງມັນ,
ໃນ mGal**2-km, ໄປຫາ file data.xpower, ໃຊ້

gmt spectrum1d data.g -S256 -D1.5 -Ndata

ສົມມຸດວ່ານອກຈາກ data.g ທ່ານມີ data.t, ເຊິ່ງແມ່ນພູມສັນຖານໃນແມັດຕົວຢ່າງທີ່
ຈຸດດຽວກັນກັບ data.g. ການ​ຄາດ​ຄະ​ເນ​ລັກ​ສະ​ນະ​ຕ່າງໆ​ຂອງ​ການ​ທໍາ​ງານ​ການ​ໂອນ​,
ພິຈາລະນາ data.t ເປັນ input ແລະ data.g ເປັນຜົນຜະລິດ, ການນໍາໃຊ້

ວາງ data.t data.g | gmt spectrum1d -S256 -D1.5 -Ndata -C > results.txt

TUTORIAL

ຜົນ​ຜະ​ລິດ​ຂອງ spectrum1d ແມ່ນ​ຢູ່​ໃນ​ຫົວ​ຫນ່ວຍ​ຂອງ​ຄວາມ​ຫນາ​ແຫນ້ນ​ຂອງ spectral ພະ​ລັງ​ງານ, ແລະ​ດັ່ງ​ນັ້ນ​ເພື່ອ​ໃຫ້​ໄດ້​ຮັບ​ຫົວ​ຫນ່ວຍ​ຂອງ
data-squared ທ່ານຕ້ອງແບ່ງດ້ວຍ delta_t, ບ່ອນທີ່ delta_t ແມ່ນໄລຍະຫ່າງຂອງຕົວຢ່າງ. (ອາດຈະມີ
ຈະເປັນປັດໃຈຂອງ 2 pi ຢູ່ບ່ອນໃດບ່ອນໜຶ່ງ, ຄືກັນ. ຖ້າທ່ານຕ້ອງການໃຫ້ແນ່ໃຈວ່າການປົກກະຕິ, ທ່ານສາມາດເຮັດໄດ້
ກໍານົດປັດໄຈຂະຫນາດຈາກທິດສະດີຂອງ Parseval: ຜົນລວມຂອງສີ່ຫລ່ຽມຂອງການປ້ອນຂໍ້ມູນຂອງທ່ານ
ຂໍ້ມູນຄວນເທົ່າກັບຜົນລວມຂອງສີ່ຫຼ່ຽມຂອງຜົນໄດ້ຮັບຈາກ spectrum1d, ຖ້າທ່ານພຽງແຕ່
ພະຍາຍາມທີ່ຈະໄດ້ຮັບ periodogram. [ເບິ່ງຂ້າງລຸ່ມນີ້.])

ສົມ​ມຸດ​ວ່າ​ພວກ​ເຮົາ​ພຽງ​ແຕ່​ເອົາ​ຊຸດ​ຂໍ້​ມູນ x(t​) ແລະ​ຄໍາ​ນວນ​ການ​ປ່ຽນ​ແປງ Fourier discrete (DFT​)
ຂອງຂໍ້ມູນທັງຫມົດທີ່ກໍານົດໄວ້ໃນຫນຶ່ງໄປ. ໂທຫານີ້ X(f). ແລ້ວສົມມຸດວ່າພວກເຮົາປະກອບເປັນ X(f) ເທົ່າ
conjugate ຊັບຊ້ອນຂອງ X(f).

P_raw(f) = X(f) * X'(f), ເຊິ່ງ ' ສະແດງເຖິງການປະສົມທີ່ຊັບຊ້ອນ.

P_raw ຖືກເອີ້ນວ່າ periodogram. ຜົນລວມຂອງຕົວຢ່າງຂອງ periodogram ເທົ່າກັບຜົນລວມ
ຂອງຕົວຢ່າງຂອງສີ່ຫຼ່ຽມ x(t), ໂດຍທິດສະດີຂອງ Parseval. (ຖ້າທ່ານໃຊ້ຊຸດຍ່ອຍ DFT
ໃນຄອມພິວເຕີ, ປົກກະຕິແລ້ວຜົນບວກຂອງ P_raw ເທົ່າກັບຜົນບວກຂອງ x-squared, ເວລາ M, ບ່ອນທີ່ M ແມ່ນ.
ຈໍາ​ນວນ​ຂອງ​ຕົວ​ຢ່າງ​ໃນ x(t​)​.

ແຕ່ລະການຄາດຄະເນຂອງ X(f) ປະຈຸບັນຖືກສ້າງຂື້ນໂດຍການລວມກັນເສັ້ນນ້ຳໜັກຂອງ x(t) ທັງໝົດ.
ຄຸນຄ່າ. (ບາງເທື່ອນ້ຳໜັກເອີ້ນວ່າ "ປັດໃຈບິດ" ໃນວັນນະຄະດີ DFT.) ດັ່ງນັ້ນ,
ບໍ່ວ່າການແຈກຢາຍຄວາມເປັນໄປໄດ້ສໍາລັບຄ່າ x(t) ແມ່ນຫຍັງ, ຄວາມເປັນໄປໄດ້
ການແຈກຢາຍສໍາລັບຄ່າ X(f) ເຂົ້າຫາ [ສະລັບສັບຊ້ອນ] Gaussian, ໂດຍຂອບເຂດຈໍາກັດກາງ
ທິດສະດີບົດ. ນີ້ຫມາຍຄວາມວ່າການແຈກຢາຍຄວາມເປັນໄປໄດ້ສໍາລັບ P_raw(f) ເຂົ້າຫາ chi-squared
ມີສອງລະດັບຂອງອິດສະລະພາບ. ອັນນັ້ນຫຼຸດການແຈກຢາຍເລກກຳລັງ, ແລະຄວາມຜັນຜວນ
ຂອງການຄາດຄະເນຂອງ P_raw ແມ່ນອັດຕາສ່ວນກັບສີ່ຫຼ່ຽມຂອງຄ່າສະເລ່ຍ, ນັ້ນແມ່ນ, ຄາດວ່າ
ຄ່າຂອງ P_raw.

ໃນທາງປະຕິບັດຖ້າພວກເຮົາປະກອບເປັນ P_raw, ການຄາດຄະເນແມ່ນບໍ່ມີຄວາມຫວັງ. ດັ່ງນັ້ນ P_raw ບໍ່ແມ່ນ
ທີ່ເປັນປະໂຫຍດ, ແລະພວກເຮົາຈໍາເປັນຕ້ອງເຮັດບາງປະເພດຂອງກ້ຽງຫຼືສະເລ່ຍເພື່ອໃຫ້ໄດ້ການຄາດຄະເນທີ່ເປັນປະໂຫຍດ,
P_ມີປະໂຫຍດ(f).

ມີຫຼາຍວິທີທີ່ແຕກຕ່າງກັນທີ່ຈະເຮັດສິ່ງນີ້ໃນວັນນະຄະດີ. ຫນຶ່ງແມ່ນການສ້າງ P_raw ແລະ
ຫຼັງຈາກນັ້ນກ້ຽງມັນ. ອີກປະການຫນຶ່ງແມ່ນເພື່ອປະກອບການທໍາງານຂອງ auto-covariance ຂອງ x(t), ກ້ຽງ, taper ແລະ
ຮູບຮ່າງມັນ, ແລະຫຼັງຈາກນັ້ນໃຊ້ເວລາການຫັນເປັນ Fourier ຂອງກ້ຽງ, tapered ແລະຮູບຮ່າງ
auto-covariance. ອີກປະການຫນຶ່ງແມ່ນການສ້າງຕົວແບບ parametric ສໍາລັບໂຄງສ້າງ auto-correlation
ໃນ x(t), ຈາກນັ້ນຄິດໄລ່ spectrum ຂອງຕົວແບບນັ້ນ. ວິທີການສຸດທ້າຍນີ້ແມ່ນສິ່ງທີ່ເຮັດໃນ
ອັນທີ່ເອີ້ນວ່າ "entopy ສູງສຸດ" ຫຼື "Berg" ຫຼື "Box-Jenkins" ຫຼື "ARMA" ຫຼື "ARIMA"
ວິທີການ.

ວິທີການຂອງ Welch ແມ່ນວິທີການທີ່ພະຍາຍາມແລະຄວາມຈິງ. ໃນວິທີການຂອງລາວ, ທ່ານເລືອກຄວາມຍາວຂອງສ່ວນ,
-SN, ດັ່ງນັ້ນການຄາດຄະເນຈະຖືກສ້າງຂຶ້ນຈາກສ່ວນຂອງຄວາມຍາວ N. ຕົວຢ່າງຄວາມຖີ່ (in
ຮອບວຽນຕໍ່ຫນ່ວຍ delta_t) ຂອງ P_useful ຂອງທ່ານຈະຢູ່ທີ່ k /(N * delta_t), ບ່ອນທີ່ k ເປັນ
ຈຳນວນເຕັມ, ແລະທ່ານຈະໄດ້ຮັບ N ຕົວຢ່າງ (ນັບຕັ້ງແຕ່ spectrum ແມ່ນຫນ້າທີ່ແມ້ກະທັ້ງຂອງ f, ພຽງແຕ່ N/2
ພວກມັນມີປະໂຫຍດແທ້ໆ). ຖ້າຄວາມຍາວຂອງຊຸດຂໍ້ມູນທັງໝົດຂອງເຈົ້າ, x(t), ແມ່ນ M ຕົວຢ່າງ
ຍາວ, ຫຼັງຈາກນັ້ນຄວາມແຕກຕ່າງກັນໃນ P_useful ຂອງທ່ານຈະຫຼຸດລົງໃນອັດຕາສ່ວນ N / M. ດັ່ງນັ້ນທ່ານຕ້ອງການ
ເລືອກ N << M ເພື່ອໃຫ້ໄດ້ສຽງທີ່ຕໍ່າຫຼາຍ ແລະມີຄວາມໝັ້ນໃຈສູງໃນ P_useful. ມີ
ການຄ້ານີ້; ເບິ່ງຂ້າງລຸ່ມນີ້.

ມີການຫຼຸດຜ່ອນຄວາມແຕກຕ່າງກັນເພີ່ມເຕີມໃນວິທີການຂອງ Welch ໃຊ້ Von Hann
ປ່ອງຢ້ຽມ spectral ໃນແຕ່ລະຕົວຢ່າງຂອງຄວາມຍາວ N. ນີ້ຫຼຸດຜ່ອນການຮົ່ວໄຫຼຂອງ lobe ຂ້າງແລະມີ
ຜົນ​ກະ​ທົບ​ຂອງ​ການ​ກ້ຽງ (N segment) periodogram ຄືກັບວ່າ X(f) ໄດ້ຖືກ convolved ກັບ
[1/4, 1/2, 1/4] ກ່ອນທີ່ຈະປະກອບເປັນ P_useful. ແຕ່ນີ້ເລັກນ້ອຍຂະຫຍາຍແບນວິດ spectral
ຂອງແຕ່ລະການຄາດຄະເນ, ເນື່ອງຈາກວ່າການຄາດຄະເນຢູ່ໃນຕົວຢ່າງຄວາມຖີ່ k ໃນປັດຈຸບັນແມ່ນກ່ຽວຂ້ອງເລັກນ້ອຍ
ດ້ວຍການຄາດຄະເນຢູ່ທີ່ຕົວຢ່າງຄວາມຖີ່ k+1. (ແນ່​ນອນ​ວ່າ​ນີ້​ຍັງ​ຈະ​ເກີດ​ຂຶ້ນ​ຖ້າ​ຫາກ​ວ່າ​ທ່ານ​ພຽງ​ແຕ່​
ສ້າງ P_raw ແລະຫຼັງຈາກນັ້ນເຮັດໃຫ້ມັນກ້ຽງ.)

ສຸດທ້າຍ, ວິທີການຂອງ Welch ຍັງໃຊ້ການປຸງແຕ່ງທີ່ທັບຊ້ອນກັນ. ນັບຕັ້ງແຕ່ປ່ອງຢ້ຽມ Von Hann ແມ່ນ
ຂະ​ຫນາດ​ໃຫຍ່​ຢູ່​ໃນ​ພາກ​ກາງ​ແລະ tapers ໄປ​ໃກ້​ກັບ​ສູນ​ຢູ່​ທີ່​ສຸດ​, ພຽງ​ແຕ່​ພາກ​ກາງ​ຂອງ​ສ່ວນ​ຂອງ​
ຄວາມຍາວ N ປະກອບສ່ວນຫຼາຍຕໍ່ການຄາດຄະເນຂອງມັນ. ດັ່ງນັ້ນ, ໃນການເອົາສ່ວນຕໍ່ໄປຂອງຂໍ້ມູນ,
ພວກເຮົາກ້າວໄປຂ້າງຫນ້າໃນລໍາດັບ x(t) ເທົ່ານັ້ນ N/2 ຈຸດ. ດ້ວຍວິທີນີ້, ພາກສ່ວນຕໍ່ໄປໄດ້ຮັບ
ນ້ ຳ ໜັກ ຂະຫນາດໃຫຍ່ທີ່ສ່ວນຂອງທັງສອງຂ້າງຂອງມັນຈະໄດ້ຮັບນ້ ຳ ໜັກ ໜ້ອຍ, ແລະຮອງ
ກົງກັນຂ້າມ. ນີ້ເຮັດໃຫ້ຜົນກະທົບກ້ຽງສອງເທົ່າແລະຮັບປະກັນວ່າ (ຖ້າ N << M) ເກືອບ​ທຸກ​ຈຸດ​
ໃນ x(t) ປະກອບສ່ວນກັບນ້ໍາຫນັກເກືອບເທົ່າທຽມກັນໃນຄໍາຕອບສຸດທ້າຍ.

ວິທີການຂອງ Welch ຂອງການຄາດຄະເນ spectral ໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງແລະການສຶກສາຢ່າງກວ້າງຂວາງ. ມັນແມ່ນຫຼາຍ
ທີ່ເຊື່ອຖືໄດ້ແລະຄຸນສົມບັດທາງສະຖິຕິຂອງມັນແມ່ນເຂົ້າໃຈດີ. ມັນແມ່ນແນະນໍາໃຫ້ສູງໃນ
ປື້ມແບບຮຽນເຊັ່ນ "ຂໍ້ມູນ Random: ການວິເຄາະແລະການວັດແທກຂັ້ນຕອນ" ໂດຍ Bendat ແລະ
Piersol.

ໃນທຸກບັນຫາຂອງການຄາດຄະເນພາລາມິເຕີຈາກຂໍ້ມູນ, ມີການຊື້ຂາຍແບບຄລາສສິກລະຫວ່າງ
ຄວາມລະອຽດແລະຄວາມແຕກຕ່າງກັນ. ຖ້າທ່ານຕ້ອງການພະຍາຍາມບີບອັດຄວາມລະອຽດອອກຈາກຂໍ້ມູນຂອງທ່ານ
ກໍານົດ, ຫຼັງຈາກນັ້ນທ່ານຈະຕ້ອງເຕັມໃຈທີ່ຈະຍອມຮັບສິ່ງລົບກວນເພີ່ມເຕີມໃນການຄາດຄະເນ. ການ​ແລກ​ປ່ຽນ​ອັນ​ດຽວ​ກັນ​
ແມ່ນເຫັນໄດ້ຊັດເຈນຢູ່ທີ່ນີ້ໃນວິທີການຂອງ Welch. ຖ້າທ່ານຕ້ອງການໃຫ້ມີສິ່ງລົບກວນຕ່ໍາຫຼາຍໃນ spectral
ການຄາດຄະເນ, ຫຼັງຈາກນັ້ນທ່ານຕ້ອງເລືອກ N << M, ແລະນີ້ຫມາຍຄວາມວ່າທ່ານໄດ້ຮັບພຽງແຕ່ N ຕົວຢ່າງຂອງ
spectrum, ແລະໄລຍະເວລາທີ່ຍາວທີ່ສຸດທີ່ທ່ານສາມາດແກ້ໄຂແມ່ນພຽງແຕ່ N * delta_t. ດັ່ງນັ້ນທ່ານເຫັນ
ວ່າການຫຼຸດຜ່ອນສິ່ງລົບກວນເຮັດໃຫ້ຈໍານວນຕົວຢ່າງ spectral ຫຼຸດລົງແລະຫຼຸດລົງທີ່ຍາວທີ່ສຸດ
ໄລຍະເວລາ. ກົງກັນຂ້າມ, ຖ້າທ່ານເລືອກ N ໃກ້ເຂົ້າມາ M, ຫຼັງຈາກນັ້ນທ່ານເຂົ້າຫາ periodogram ກັບ
ຄຸນສົມບັດທາງສະຖິຕິທີ່ບໍ່ດີຂອງມັນ, ແຕ່ທ່ານໄດ້ຮັບຕົວຢ່າງຈໍານວນຫລາຍແລະພື້ນຖານຂະຫນາດໃຫຍ່
ໄລຍະເວລາ.

ວິທີການຄາດຄະເນ spectral ອື່ນໆຍັງສາມາດເຮັດວຽກໄດ້ດີ. ວິທີການຂອງ Welch ໄດ້ຖືກເລືອກ
ເນື່ອງຈາກວ່າວິທີການເຮັດວຽກ, ວິທີຫນຶ່ງສາມາດລະຫັດມັນ, ແລະຜົນກະທົບຂອງມັນຢູ່ໃນສະຖິຕິ
ການແຜ່ກະຈາຍ, ການແກ້ໄຂ, ການຮົ່ວໄຫຼດ້ານຂ້າງ, ຄວາມລໍາອຽງ, ຄວາມແຕກຕ່າງກັນ, ແລະອື່ນໆແມ່ນງ່າຍດາຍທັງຫມົດ
ເຂົ້າໃຈ. ບາງສ່ວນຂອງວິທີການອື່ນໆ (ເຊັ່ນ: Entropy ສູງສຸດ) ມີແນວໂນ້ມທີ່ຈະຊ່ອນບ່ອນທີ່ບາງສ່ວນຂອງ
ການຄ້າເຫຼົ່ານີ້ກໍາລັງເກີດຂື້ນຢູ່ໃນ "ກ່ອງດໍາ".

ໃຊ້ spectrum1dgmt ອອນໄລນ໌ໂດຍໃຊ້ບໍລິການ onworks.net