### 使用 Python 实现 Hilbert 变换并绘制频谱图 以下是基于 `numpy` 和 `scipy.signal.hilbert` 的方法来实现 Hilbert 变换，并使用 `matplotlib` 绘制频谱图的完整代码示例。 #### 1. 导入必要的库 为了完成此任务，需要导入以下模块： ```python import numpy as np from scipy.signal import hilbert import matplotlib.pyplot as plt ``` 这些模块分别用于数值计算、执行 Hilbert 变换和绘图操作[^1]。 --- #### 2. 创建测试信号 假设我们有一个简单的正弦波作为输入信号。可以通过以下方式定义它： ```python fs = 1000 # 采样率 (Hz) t = np.linspace(0, 1, fs, endpoint=False) # 时间向量 f_signal = 5 # 正弦波频率 (Hz) # 构造一个带有噪声的正弦波信号 x = np.sin(2 * np.pi * f_signal * t) + 0.5 * np.random.randn(len(t)) ``` 这里创建了一个频率为 5 Hz 的正弦波，并加入了一些随机噪声以模拟实际场景中的复杂信号[^3]。 --- #### 3. 执行 Hilbert 变换 通过调用 `scipy.signal.hilbert()` 函数获取解析信号（复数形式）： ```python analytic_signal = hilbert(x) amplitude_envelope = np.abs(analytic_signal) # 计算瞬时振幅（包络） instantaneous_phase = np.unwrap(np.angle(analytic_signal)) # 解包裹后的瞬时相位 instantaneous_frequency = (np.diff(instantaneous_phase) / (2.0 * np.pi) * fs) # 瞬时频率 ``` 上述代码实现了以下几个功能： - **解析信号**：由实部（原始信号）和虚部组成。 - **瞬时振幅**：即解析信号的模。 - **瞬时相位**：通过对角度进行解包裹处理得到连续变化的相位。 - **瞬时频率**：通过相邻样本间相位差分计算得出[^4]。 --- #### 4. 频谱分析 为了绘制频谱图，可以先对原始信号及其解析信号应用快速傅里叶变换（FFT）。下面展示如何生成频域表示： ```python N = len(x) X_fft = np.fft.fft(x)[:N//2] freqs = np.fft.fftfreq(N, d=1/fs)[:N//2] Analytic_X_fft = np.fft.fft(analytic_signal.real)[:N//2] ``` 注意，在 FFT 结果中只保留了前半部分，因为对于实值信号而言，其频谱具有共轭对称性质[^5]。 --- #### 5. 绘制图形 最后一步是可视化结果。包括时间域上的信号对比以及频域特性比较： ```python plt.figure(figsize=(14, 8)) # 子图 1: 原始信号 vs 包络线 plt.subplot(3, 1, 1) plt.plot(t, x, label='Original Signal', color='blue') plt.plot(t, amplitude_envelope, '--r', linewidth=2, label='Amplitude Envelope') plt.title('Time Domain Analysis') plt.xlabel('Time [sec]') plt.ylabel('Amplitude') plt.legend() # 子图 2: 频谱分布 plt.subplot(3, 1, 2) plt.plot(freqs, 2/N * np.abs(X_fft), 'b-', label='Spectrum of Original Signal') plt.plot(freqs, 2/N * np.abs(Analytic_X_fft), 'g--', label='Spectrum of Analytic Signal') plt.title('Frequency Domain Analysis') plt.xlabel('Frequency [Hz]') plt.ylabel('|X(f)|') plt.xlim([0, 20]) plt.legend() # 子图 3: 瞬时频率随时间的变化 plt.subplot(3, 1, 3) plt.plot(t[:-1], instantaneous_frequency, 'm-', label='Instantaneous Frequency') plt.title('Instantaneous Frequency Over Time') plt.xlabel('Time [sec]') plt.ylabel('Frequency [Hz]') plt.ylim([-10, 20]) # 设置合理范围以便观察数据 plt.legend() plt.tight_layout() plt.show() ``` 这段脚本会生成三个子图表，分别是时间轴上原信号与包络的关系、两者的频谱差异以及瞬时频率的时间演变过程。 --- ### 总结 以上展示了完整的流程，从构建测试信号到运用 Hilbert 转换来提取特征直至最终呈现频谱图像。这种方法广泛应用于通信工程领域内的带通滤波器设计或者生物医学电子学当中的心电信号预处理等方面。