matplotlib.axes.axes.cohere()

matplotlib.axes.axes.cohere()函数，使用matplotlib库的axis模块中的Axes.cohere()函数来绘制x和y之间的相干性，相干性是归一化的交叉谱密度。

语法:

Axes.cohere(self, x, y, NFFT=256, Fs=2, Fc=0, detrend=, window=, noverlap=0, pad_to=None, sides=’default’, scale_by_freq=None, *, data=None, **kwargs)

参数:该方法接受如下参数说明:

• x, y:这些参数是数据序列。
• Fs:标量。默认值为2。
• window:该参数接受一个数据段作为参数，并返回该段的窗口版本。其默认值是window_hanning()
• sides:该参数指定返回频谱的哪一边。它可以有以下值:’ default ‘， ‘ onesided ‘和’ twosided ‘。
• pad_to:该参数包含填充数据段的整数值。
• Fc:该参数还包含整数值，用于偏移图形的x个区段，以反映频率范围。默认值为0
• NFFT:该参数包含用于FFT的每个块的数据点的数量。
• detrend:该参数包含在fft-ing之前应用于每个分段的函数，旨在去除平均值或线性趋势{‘ none ‘， ‘ mean ‘， ‘ linear ‘}。
• scale_by_freq:该参数允许对返回的频率值进行集成。
• noverlap:该参数表示块之间的重叠点数量。
• Fc: x的中心频率。

返回如下内容:

• 这将返回相干向量。
• freqs:返回Cxy中元素的频率。

结果是(Cxy, freqs)

下面的例子演示了matplotlib.axes中的matplotlib.axes()函数:

示例1

# Implementation of matplotlib function
import numpy as np
import matplotlib.pyplot as plt
  
dt = 0.01
t = np.arange(0, 30, dt)
nse1 = np.random.randn(len(t))
nse2 = np.random.randn(len(t))
  
s1 = 1.5 * np.sin(2 * np.pi * 10 * t) + nse1
s2 = np.cos(np.pi * t) + nse2
  
fig, ax1 = plt.subplots()
ax1.cohere(s1, s2**2, 128, 1./dt)
ax1.set_xlabel('time')
ax1.set_ylabel('coherence')
  
ax1.set_title('matplotlib.axes.Axes.cohere() Example')
plt.show()

输出:

示例2

# Implementation of matplotlib function
import numpy as np
import matplotlib.pyplot as plt
  
dt = 0.01
t = np.arange(0, 30, dt)
nse1 = np.random.randn(len(t))
nse2 = np.random.randn(len(t))
r = np.exp(-t / 0.05)
  
cnse1 = np.convolve(nse1, r, mode ='same')*dt
cnse2 = np.convolve(nse2, r, mode ='same')*dt
  
s1 = 1.5 * np.sin(2 * np.pi * 10 * t) + cnse1
s2 = np.cos(np.pi * t) + cnse2 + np.sin(2 * np.pi * 10 * t)
  
fig, [ax1, ax2] = plt.subplots(2, 1)
ax1.plot(t, s1, t, s2)
ax1.set_xlim(0, 5)
ax1.set_xlabel('time')
ax1.set_ylabel('s1 and s2')
ax1.grid(True)
  
ax2.cohere(s1, s2, 256, 1./dt)
ax2.set_ylabel('coherence')
  
ax1.set_title('matplotlib.axes.Axes.cohere() Example')
plt.show()

输出: