scipy.signal.welch中scaling参数spectrum与density的差异疑问

核心差异原理 #

你最初的推导默认对应矩形窗的场景，scipy的welch方法默认使用Hann（汉宁）窗，1.5倍系数完全来自该窗函数的能量校正特性：

• scaling='density'：输出功率谱密度，单位为信号单位平方/Hz，计算时引入窗函数的功率和作为校正项
• scaling='spectrum'：输出功率谱，单位为信号单位平方，计算时引入窗函数的幅值和平方作为校正项

系数推导 #

设每段信号长度为nperseg=N，采样率为fs，频率分辨率为df = fs/N：
对于长度为N的Hann窗，两个关键统计量取值为：

• 窗函数幅值和 $S_1 = \sum_{n=0}^{N-1} w(n) = N/2$
• 窗函数功率和 $S_2 = \sum_{n=0}^{N-1} w(n)^2 = 3N/8$
  代入两个scaling模式的输出比值公式 spectrum / (density * df)，可推导得：
  $$\frac{spectrum}{density \times df} = \frac{N \times S_2}{S_1^2}$$
  将Hann窗的S1、S2代入计算，结果为 $\frac{12}{8}=1.5$，和你实测的系数完全匹配。

验证方法 #

将窗口替换为矩形窗即可验证你最初的推导逻辑：

import numpy as np
from scipy.signal import welch
dt = 1/4
tt = np.arange(0,1000,dt)
w = 1/5
data = 2 * np.sin(2*np.pi * w * tt) + np.random.normal(size = len(tt), scale = 1)

# 替换窗函数为矩形窗（boxcar）
ff_welch, spectrum = welch(data, nperseg = 250, fs = 1/dt, scaling = 'spectrum', window='boxcar')
ff_welch, density = welch(data, nperseg = 250, fs = 1/dt, scaling = 'density', window='boxcar')
df_welch = (ff_welch[1]-ff_welch[0])
test =  spectrum / (density * df_welch)

运行后test的取值将为1，完全符合你最初的推测。

内容的提问来源于stack exchange，提问作者Olmo