我是 DSP 的新手，我喜欢计算正确的 PSD。
我有一个以 256Hz 采样的 2s 信号
我计算 psd
freqs, psd = signal.welch(data, fs=256, nperseg=128, scaling='spectrum')
我选择了不同的 nperseg, 128, 256, ... 以及后来更大的数据。
我计算了 PSD，结果如下：
如果我增加 nperseg 长度，PSD 会减小（显示 Y 轴），尽管在 X 轴上会出现一些功率箱，因为频率分辨率会增加。
此外，如果我增加数据长度，例如增加到 4 秒，X 轴的功率会更明显，如下图所示。
我的目标是分析功率在不同频率下的行为，因此我认为大数据将为 mi 工作提供更好的结果，但是我的数据样本会减少。
我的问题是，计算 PSD 重叠数据是否有效（例如 2 秒的数据块，但重叠 1 秒）？
可以在Solomon的这份报告中找到有关 Welch 功率谱密度 (PSD) 估计方法性能的良好参考。
Welch 的方法涉及对可能重叠的数据段中的多个周期图（PSD 估计值）进行平均。这种方法是有益的，因为来自多个周期图的噪声被“平均化”了，尽管在较短的段长度降低频率分辨率的权衡下。（每段的样本数）越大nperseg，可以采用的段或平均值越少，获得的频率分辨率越高。相反，越小nperseg，您获得的噪声抑制越好，但频率分辨率较低。
正如所罗门报告中提到的，当被平均的周期图彼此独立时，降噪效果最有效。如果您选择较小的noverlap参数signal.welch（例如 1），则两个相邻的周期图将高度相关，因此不是很独立。
来自所罗门报告的第 8 页：
理想情况下(
noverlap) 应该是最小的值，使得和几乎不相关。这个值将节省算术运算，但提供最大的平滑量。段之间的转换，, 通常在.
在哪里nperseg和是离散傅里叶变换值段。所以回答你的问题：
计算 PSD 重叠数据是否有效（例如 2 秒的数据块，但重叠 1 秒）？
是的，使用重叠段执行 PSD 估计是有效的。您应该使用多少段之间的重叠取决于您的数据在时间上的相关程度。默认情况下，Scipy 设置noverlap=nperseg // 2是因为通常使用 50% 的重叠，并且可能足以解决大多数问题，但不能说这一定是您的案例的理想重叠。如果您知道您的数据可以建模为移动平均模型，那么您最大的相关滞后就是该模型的阶数。
如果您对数据一无所知，50% 的重叠可能是一个合理的估计，但请注意，这只是一个估计，可能与真正的 PSD 不同。对于 0% 重叠，也可以提出相同的论点。确保选择的段长度nperseg能够为您的分析提供足够的频率分辨率。