经验方法
这是一个有趣的问题。您的问题的更一般形式是:
给定一个未知长度的重复序列,确定信号的周期。
确定重复频率的过程称为傅立叶变换。在您的示例中,信号是干净且离散的,但即使使用连续的噪声数据,以下解决方案也适用!FFT将尝试通过在所谓的“波空间”或“傅立叶空间”中逼近输入信号的频率来复制它们。基本上,该空间中的峰值对应于重复信号。信号的周期与达到峰值的最长波长有关。
import itertools
# of course this is a fake one just to offer an example
def source():
return itertools.cycle((1, 0, 1, 4, 8, 2, 1, 3, 3, 2))
import pylab as plt
import numpy as np
import scipy as sp
# Generate some test data, i.e. our "observations" of the signal
N = 300
vals = source()
X = np.array([vals.next() for _ in xrange(N)])
# Compute the FFT
W = np.fft.fft(X)
freq = np.fft.fftfreq(N,1)
# Look for the longest signal that is "loud"
threshold = 10**2
idx = np.where(abs(W)>threshold)[0][-1]
max_f = abs(freq[idx])
print "Period estimate: ", 1/max_f
这给出了这种情况下的正确答案,10
但如果N
没有干净地划分周期,你会得到一个接近的估计。我们可以通过以下方式可视化:
plt.subplot(211)
plt.scatter([max_f,], [np.abs(W[idx]),], s=100,color='r')
plt.plot(freq[:N/2], abs(W[:N/2]))
plt.xlabel(r"$f$")
plt.subplot(212)
plt.plot(1.0/freq[:N/2], abs(W[:N/2]))
plt.scatter([1/max_f,], [np.abs(W[idx]),], s=100,color='r')
plt.xlabel(r"$1/f$")
plt.xlim(0,20)
plt.show()