问题标签 [periodicity]

我有两个周期性的噪声信号，它们依赖于不断增加的参考角度。这两个信号偏移了 90 度，其中一个具有未知的变化偏移。可以使用简单的 python 代码生成两个这样的示例信号：

给出类似的东西：

我需要重建instantaneous_phase，仅使用signal1and signal2。这可能吗？如果有人能指出我正确的方向，我将不胜感激。

我怎样才能update定期打电话？我尝试了以下操作，但它跳过显示 GUIlimit几秒钟，然后只显示最后一次更新：

然后我尝试了：

结果与前者完全相同。那么我该怎么做呢？

有没有办法生成准周期信号（具有特定频率分布的信号，如正态分布）？此外，信号不应该具有平稳的频率分布，因为高斯函数的傅里叶逆变换仍然是高斯函数，而我想要的是振荡信号。

我使用了一系列离散的正态分布频率来生成信号，即

频率分布如下：

所以在初始阶段

, 我收到信号了

但是，信号就像

它的 FFT 谱就像

.

我发现最终的频谱仅在 t=0 后的短时间内类似于高斯函数（对应于图4中左侧的几个非常高的峰值），而其余信号仅对故障有贡献两侧峰如图5。

我认为问题可能来自初始阶段。我尝试了随机分布的初始阶段，但它也没有奏效。

那么，产生这种信号的正确方法是什么？

这是我的python代码：

我的目标很简单：在特定时间启动周期性回调。我试图到处寻找，但所有阅读的示例都与当前时间的时间增量有关，而不是与定义的时间有关。

我写一个简单的例子。

感谢帮助

是否PeriodicCallback确保没有并行执行？是在前一个触发的回调仍在运行时触发了回调，还是确保一次只有一个回调在运行？据我所知，后者是真的，但我想确定一下！我应该控制异步函数的时间不超过下一个periodiccallback调度程序。

例如：

如果我periodiccallback每 5 秒有一次，并且有时我的功能时间（因为发出 http 请求等）更长（例如 7 秒），我怎样才能跳过“10 秒”并传递到 15？只有当它发生时。

嗨，我有这个分段函数及其图：余弦和右图

我应该在 python 中分段实现，并在下一个得到相同的图表。我的代码是这样的：

不幸的是，我得到了这个奇怪的图表：

我奇怪的图表

{{{ 我没有做 e(t) 和常数的乘法。因为最终这不能改变图表（我发现只是带来了一些放大或电平转换。）}}}

这是我的问题：

1-我的代码适用于该功能吗？

2-可能与 Ts1 和 Ts2 的值有关。因为我是随机选择的。

3-如果我获得了正确的图表，我应该如何更改余弦参数以便在几个时期内可视化图表？

审查删除周期我有一个数据集，其中包含 7 小时的每小时风速数据。我正在尝试对数据实施预测模型，并且评论论文指出，修剪数据中的日、周、月和年模式可以显着提高估计的准确性。然后他们继续使用傅立叶级数去除图像中的周期性分量。关于我如何在matlab中建模的任何想法？

我正在尝试对真实数据中的峰值进行分类。数据中主要有两类尖峰，它们的频率略有不同，幅度也不同。令人讨厌的是，类的频率不是固定的，但可能会随机变化一点，或者它甚至可能突然增加或减少到 2 左右的因子（我希望最大）。幅度也可能会改变，所以很难分辨哪个尖峰属于哪个类别。

数据和检测到的峰值的图：

检测到尖峰

如您所见，一个尖峰可能隐藏在另一个尖峰后面，有时也可能会检测到一些噪音为尖峰左右。

你有任何想法如何解决这个问题吗？尽管频率会随着时间的推移而发生一些变化，但自相关可能会起作用吗？

我正在尝试编写一个定期工作管理器脚本，但它只是在我打开应用程序时运行并且它只运行一次（不是定期）！

这是我的主要活动：

}

这是我的工作方法：

为什么它不是每 1 分钟运行一次？我想念什么？

这是我的代码：

这是自相关图的输出：

y 的自相关图

我想找出一种方法来自动分类函数是否是周期性的（不使用裸眼查看自相关图）。我读到它与附图中显示的线的置信区间有关，但仍然怀疑我应该如何处理它以更好地做出决定。那么有没有一种自动化的方法来使用自相关来决定数据的周期性？

不过，这是我对自动化方式的尝试：

我刚刚设定了 0.05 的阈值来检测置信区间为 95% 的点。不知道这在统计上和逻辑上是对还是错。然后，我查看百分比是否大于 95% 的周期性模式。我也不确定。

归功于：如何使用 numpy.correlate 进行自相关 的第一个答案？