基于scipy.signal.lombscargle的衰减余弦信号LSSA变换形式问询

针对你提到的理想信号 ( f(t) = A e^{-\beta t} \cos(\Omega t - \delta) )（( t>0 )，( A ) 为振幅），结合Lomb-Scargle变换的加权最小二乘本质，其精确谱形式及近似特性如下：

精确解析形式 #

Lomb-Scargle变换的核心是对每个频率 ( \omega )，拟合模型 ( f(t) \approx C \cos(\omega t) + D \sin(\omega t) ) 并计算归一化功率谱值。对于该指数衰减余弦信号，理想无噪声、无限采样下的谱密度 ( F(\omega) ) 精确表达式为：
[
F(\omega) \propto \frac{(\omega^2 - \Omega²⁾2 + 4\beta^2 \omega^2}{[(\omega2 - \Omega²⁾2 + (2\beta \omega)^2]2 + 4\beta^2 (\omega^2 + \Omega²⁾2}
]

近似简化（弱衰减场景） #

当 ( \beta \ll \Omega )（信号振荡远快于衰减的弱衰减场景），上述精确式可简化为你推测的类洛伦兹形式：
[
F(\omega) \approx \frac{1}{(\omega - \Omega)^2 + \beta^2} + \frac{1}{(\omega + \Omega)^2 + \beta^2}
]
由于实际谱分析通常仅关注正频率范围，负频率对应的峰折叠后，最终呈现为以 ( \Omega ) 为中心的单峰洛伦兹分布，和你推测的形式一致。

使用scipy.signal.lombscargle的实用建议 #

• scipy.signal.lombscargle 输出的是数值化的归一化功率谱，受采样分布、采样点数、噪声影响，并非严格的解析形式，提取参数时需结合实际采样情况修正。
• 提取 ( \beta ) 和 ( \Omega ) 时，若满足弱衰减条件，可直接对谱峰附近的数值点拟合洛伦兹函数；若衰减较强，建议使用上述精确解析形式进行拟合。
• 非均匀采样会引入谱旁瓣和展宽，拟合前需评估采样窗口对谱形的影响。

内容的提问来源于stack exchange，提问作者TomS