钟形条件信号频谱的非均匀频率范围离散化算法优化及简洁实现方案问询

核心思路：基于能量分布的自适应采样 #

你的需求本质是让采样点密度和频谱能量成正比——峰值附近密集采样，边缘区域稀疏采样，完全不需要手动划分频段、指定各段点数这类繁琐操作。这里有两种简洁且易实现的算法思路，不管是Python还是MATLAB都能轻松落地：

方案1：Sigmoid平滑映射（灵活易控） #

用sigmoid函数把均匀采样区间映射到频率范围，让采样点自然向f_max集中。只需要4个核心参数：起始/终止频率、峰值频率、总采样数（可选），还能通过参数调整峰值区域的采样密集程度。

Python实现 #

import numpy as np
import matplotlib.pyplot as plt

def nonuniform_freq_sampling(f_start, f_end, f_max, N_total=50, steepness=100):
    """
    生成钟形频谱对应的非均匀频率采样点
    参数:
        f_start: 起始频率 (Hz)
        f_end: 终止频率 (Hz)
        f_max: 频谱峰值对应的频率 (Hz)
        N_total: 总采样点数（默认50）
        steepness: 峰值附近采样密度的陡峭程度（值越大，峰值附近越密集）
    返回:
        排序后的非均匀频率数组
    """
    # 生成0-1的均匀基准采样
    x = np.linspace(0, 1, N_total)
    # 归一化峰值频率到0-1区间
    f_norm_max = (f_max - f_start) / (f_end - f_start)
    # 用sigmoid变换让采样点向峰值集中
    x_transformed = 1 / (1 + np.exp(-steepness * (x - f_norm_max)))
    # 映射回原始频率区间
    f = f_start + x_transformed * (f_end - f_start)
    # 确保包含峰值点（可选，按需开启）
    if f_max not in f:
        f = np.sort(np.append(f, f_max))
    return f

# 测试参数
f_start = 0.016
f_end = 1.25
f_max = 0.16
f_samples = nonuniform_freq_sampling(f_start, f_end, f_max, N_total=50, steepness=150)
df = np.diff(f_samples)

# 可视化整体分布
plt.figure(figsize=(10, 4))
plt.plot(f_samples, np.ones_like(f_samples), 'b-o', markersize=4, linewidth=1.5)
plt.scatter([f_start, f_max, f_end], [1,1,1], c='red', s=60, zorder=10)
plt.xlabel('Frequency (Hz)')
plt.title('Non-uniform Frequency Sampling (Sigmoid Mapping)')
plt.grid(True, alpha=0.5)
plt.show()

# 放大峰值区域查看
plt.figure(figsize=(10, 4))
plt.plot(f_samples, np.ones_like(f_samples), 'b-o', markersize=4, linewidth=1.5)
plt.scatter([f_start, f_max, f_end], [1,1,1], c='red', s=60, zorder=10)
plt.xlabel('Frequency (Hz)')
plt.title('Peak Region Zoom')
plt.grid(True, alpha=0.5)
plt.xlim(0, 0.4)
plt.show()

优势 #

• 参数极简，仅需核心频率参数
• steepness参数可灵活调整峰值区域的采样密度
• 采样点平滑过渡，没有生硬的频段划分边界

方案2：高斯钟形分布逆变换采样（完全贴合频谱） #

如果你的频谱是标准高斯钟形（比如exp(-(f-f_max)^2/(2σ²))），可以直接从该分布中采样，让采样点密度完全匹配频谱能量分布，边缘区域自动稀疏。

Python实现 #

import numpy as np
import matplotlib.pyplot as plt

def gaussian_based_sampling(f_start, f_end, f_max, N_total=50, sigma=0.05):
    """
    基于高斯钟形分布的非均匀频率采样
    参数:
        f_start: 起始频率 (Hz)
        f_end: 终止频率 (Hz)
        f_max: 频谱峰值频率 (Hz)
        N_total: 总采样点数
        sigma: 高斯分布的标准差（控制钟形宽窄）
    返回:
        排序后的非均匀频率数组
    """
    # 定义钟形概率密度函数
    def pdf(f):
        return np.exp(-(f - f_max)**2 / (2 * sigma**2))
    
    # 计算累积分布函数(CDF)近似值
    f_grid = np.linspace(f_start, f_end, 10000)
    cdf = np.cumsum(pdf(f_grid))
    cdf = cdf / cdf[-1]  # 归一化到0-1
    
    # 用均匀随机数映射到频率采样点
    u = np.random.uniform(0, 1, N_total)
    f_samples = np.interp(u, cdf, f_grid)
    
    # 加入关键节点并去重排序
    f_samples = np.sort(np.append(f_samples, [f_start, f_max, f_end]))
    return np.unique(f_samples)

# 测试
f_samples = gaussian_based_sampling(f_start, f_end, f_max, N_total=50, sigma=0.03)
df = np.diff(f_samples)

# 可视化
plt.figure(figsize=(10, 4))
plt.plot(f_samples, np.ones_like(f_samples), 'b-o', markersize=4, linewidth=1.5)
plt.scatter([f_start, f_max, f_end], [1,1,1], c='red', s=60, zorder=10)
plt.xlabel('Frequency (Hz)')
plt.title('Non-uniform Sampling (Gaussian Distribution Based)')
plt.grid(True, alpha=0.5)
plt.show()

优势 #

• 采样密度完全匹配钟形频谱的能量分布
• 无需手动划分频段，参数仅需核心频率和钟形宽度

MATLAB实现参考 #

如果需要在MATLAB中落地，思路完全一致，这里给出sigmoid映射的版本：

function f = nonuniform_freq_sampling(f_start, f_end, f_max, N_total, steepness)
    if nargin < 5
        steepness = 100;
    end
    if nargin < 4
        N_total = 50;
    end
    x = linspace(0, 1, N_total);
    f_norm_max = (f_max - f_start)/(f_end - f_start);
    x_transformed = 1./(1 + exp(-steepness*(x - f_norm_max)));
    f = f_start + x_transformed*(f_end - f_start);
    if ~ismember(f_max, f)
        f = sort([f, f_max]);
    end
end

% 测试代码
f_start = 0.016;
f_end = 1.25;
f_max = 0.16;
f_samples = nonuniform_freq_sampling(f_start, f_end, f_max, 50, 150);

% 可视化
figure('Position', [100, 100, 800, 300])
plot(f_samples, ones(size(f_samples)), 'b-o', 'MarkerSize', 4, 'LineWidth', 1.5)
scatter([f_start, f_max, f_end], ones(1,3), 60, 'r', 'filled', 'ZOrder', 10)
xlabel('Frequency (Hz)')
title('Non-uniform Frequency Sampling (Sigmoid Mapping)')
grid on
alpha(0.5)

总结来说，这两种方案都能彻底解决你当前代码参数过多、易用性差的问题，只需要核心的频率参数就能生成符合需求的非均匀采样点。如果需要更可控的过渡效果选sigmoid映射，如果要完全贴合频谱能量分布选高斯逆变换采样。

内容的提问来源于stack exchange，提问作者Varga