hooke:util:fft: remove in favor of my external FFT-tools package
authorW. Trevor King <wking@tremily.us>
Mon, 19 Nov 2012 10:18:03 +0000 (05:18 -0500)
committerW. Trevor King <wking@tremily.us>
Mon, 19 Nov 2012 10:18:03 +0000 (05:18 -0500)
doc/conf.py
doc/install.txt
hooke/plugin/curve.py
hooke/util/fft.py [deleted file]

index a93352d4f294fc3fc2f807ca69491430a8abab26..f78d7259faaac2e75fa75e4f9f9f6bed81740beb 100644 (file)
@@ -211,10 +211,7 @@ intersphinx_mapping = {
 # -- Options for pngmath -------------------------------------------------------
 
 pngmath_latex_preamble = r"""
-\newcommand{\gaussian}{\textrm{gaussian}}
-\newcommand{\rect}{\textrm{rect}}
-\newcommand{\rfft}{\textrm{rfft}}
-\newcommand{\sinc}{\textrm{sinc}}
+% \newcommand{\gaussian}{\textrm{gaussian}}
 """
 
 # -- Options for todo ----------------------------------------------------------
index 72cab2e3262c5168d9607131514f0b0726fac224..f81b07f473d1eb8e06636d701d7b05def524196f 100644 (file)
@@ -38,6 +38,7 @@ You'll need the following Python modules:
 * PyYAML_ (for saving and loading playlists)
 * Matplotlib_ (for generating plots)
 * wxPython_ (for the GUI)
+* FFT_tools_ (for the :py:class:`~hooke.pluging.curve.PowerSpectrumCommand`)
 
 .. _Python: http://www.python.org/
 .. _Numpy: http://numpy.scipy.org/
@@ -45,6 +46,7 @@ You'll need the following Python modules:
 .. _PyYAML: http://pyyaml.org/
 .. _Matplotlib: http://matplotlib.sourceforge.net/
 .. _wxPython: http://www.wxpython.org/
+.. _FFT_tools: http://pypi.python.org/pypi/FFT-tools
 
 
 Getting the source
index 7b6f38c0ffc35f5341d175622ea2a4ad322b9458..d9cda884842c45a7baef2e87bd6887e48e0baa89 100644 (file)
@@ -24,6 +24,7 @@ import copy
 import os.path
 import re
 
+from FFT_tools import unitary_avg_power_spectrum
 import numpy
 import yaml
 
@@ -32,7 +33,6 @@ from ..command_stack import CommandStack
 from ..curve import Data
 from ..engine import CommandMessage
 from ..util.calculus import derivative
-from ..util.fft import unitary_avg_power_spectrum
 from ..util.si import ppSI, join_data_label, split_data_label
 from . import Builtin
 from .playlist import current_playlist_callback
diff --git a/hooke/util/fft.py b/hooke/util/fft.py
deleted file mode 100644 (file)
index 87dbf11..0000000
+++ /dev/null
@@ -1,746 +0,0 @@
-# Copyright (C) 2010-2012 W. Trevor King <wking@tremily.us>
-#
-# This file is part of Hooke.
-#
-# Hooke is free software: you can redistribute it and/or modify it under the
-# terms of the GNU Lesser General Public License as published by the Free
-# Software Foundation, either version 3 of the License, or (at your option) any
-# later version.
-#
-# Hooke is distributed in the hope that it will be useful, but WITHOUT ANY
-# WARRANTY; without even the implied warranty of MERCHANTABILITY or FITNESS FOR
-# A PARTICULAR PURPOSE.  See the GNU Lesser General Public License for more
-# details.
-#
-# You should have received a copy of the GNU Lesser General Public License
-# along with Hooke.  If not, see <http://www.gnu.org/licenses/>.
-
-"""Wrap :mod:`numpy.fft` to produce 1D unitary transforms and power spectra.
-
-Define some FFT wrappers to reduce clutter.
-Provides a unitary discrete FFT and a windowed version.
-Based on :func:`numpy.fft.rfft`.
-
-Main entry functions:
-
-* :func:`unitary_rfft`
-* :func:`power_spectrum`
-* :func:`unitary_power_spectrum`
-* :func:`avg_power_spectrum`
-* :func:`unitary_avg_power_spectrum`
-"""
-
-import unittest
-
-from numpy import log2, floor, round, ceil, abs, pi, exp, cos, sin, sqrt, \
-    sinc, arctan2, array, ones, arange, linspace, zeros, \
-    uint16, float, concatenate, fromfile, argmax, complex
-from numpy.fft import rfft
-
-
-TEST_PLOTS = False
-
-def floor_pow_of_two(num):
-    """Round `num` down to the closest exact a power of two.
-
-    Examples
-    --------
-
-    >>> floor_pow_of_two(3)
-    2
-    >>> floor_pow_of_two(11)
-    8
-    >>> floor_pow_of_two(15)
-    8
-    """
-    lnum = log2(num)
-    if int(lnum) != lnum:
-        num = 2**floor(lnum)
-    return int(num)
-
-def round_pow_of_two(num):
-    """Round `num` to the closest exact a power of two on a log scale.
-
-    Examples
-    --------
-
-    >>> round_pow_of_two(2.9) # Note rounding on *log scale*
-    4
-    >>> round_pow_of_two(11)
-    8
-    >>> round_pow_of_two(15)
-    16
-    """
-    lnum = log2(num)
-    if int(lnum) != lnum:
-        num = 2**round(lnum)
-    return int(num)
-
-def ceil_pow_of_two(num):
-    """Round `num` up to the closest exact a power of two.
-
-    Examples
-    --------
-
-    >>> ceil_pow_of_two(3)
-    4
-    >>> ceil_pow_of_two(11)
-    16
-    >>> ceil_pow_of_two(15)
-    16
-    """
-    lnum = log2(num)
-    if int(lnum) != lnum:
-        num = 2**ceil(lnum)
-    return int(num)
-
-def unitary_rfft(data, freq=1.0):
-    """Compute the unitary Fourier transform of real data.
-
-    Unitary = preserves power [Parseval's theorem].
-
-    Parameters
-    ----------
-    data : iterable
-        Real (not complex) data taken with a sampling frequency `freq`.
-    freq : real
-        Sampling frequency.
-
-    Returns
-    -------
-    freq_axis,trans : numpy.ndarray
-        Arrays ready for plotting.
-
-    Notes
-    -----
-    If the units on your data are Volts,
-    and your sampling frequency is in Hz,
-    then `freq_axis` will be in Hz,
-    and `trans` will be in Volts.
-    """
-    nsamps = floor_pow_of_two(len(data))
-    # Which should satisfy the discrete form of Parseval's theorem
-    #   n-1               n-1
-    #   SUM |x_m|^2 = 1/n SUM |X_k|^2. 
-    #   m=0               k=0
-    # However, we want our FFT to satisfy the continuous Parseval eqn
-    #   int_{-infty}^{infty} |x(t)|^2 dt = int_{-infty}^{infty} |X(f)|^2 df
-    # which has the discrete form
-    #   n-1              n-1
-    #   SUM |x_m|^2 dt = SUM |X'_k|^2 df
-    #   m=0              k=0
-    # with X'_k = AX, this gives us
-    #   n-1                     n-1
-    #   SUM |x_m|^2 = A^2 df/dt SUM |X'_k|^2
-    #   m=0                     k=0
-    # so we see
-    #   A^2 df/dt = 1/n
-    #   A^2 = 1/n dt/df
-    # From Numerical Recipes (http://www.fizyka.umk.pl/nrbook/bookcpdf.html),
-    # Section 12.1, we see that for a sampling rate dt, the maximum frequency
-    # f_c in the transformed data is the Nyquist frequency (12.1.2)
-    #   f_c = 1/2dt
-    # and the points are spaced out by (12.1.5)
-    #   df = 1/ndt
-    # so
-    #   dt = 1/ndf
-    #   dt/df = 1/ndf^2
-    #   A^2 = 1/n^2df^2
-    #   A = 1/ndf = ndt/n = dt
-    # so we can convert the Numpy transformed data to match our unitary
-    # continuous transformed data with (also NR 12.1.8)
-    #   X'_k = dtX = X / <sampling freq>
-    trans = rfft(data[0:nsamps]) / float(freq)
-    freq_axis = linspace(0, freq/2, nsamps/2+1)
-    return (freq_axis, trans)
-
-def power_spectrum(data, freq=1.0):
-    """Compute the power spectrum of the time series `data`.
-
-    Parameters
-    ----------
-    data : iterable
-        Real (not complex) data taken with a sampling frequency `freq`.
-    freq : real
-        Sampling frequency.
-
-    Returns
-    -------
-    freq_axis,power : numpy.ndarray
-        Arrays ready for plotting.
-
-    Notes
-    -----
-    If the number of samples in `data` is not an integer power of two,
-    the FFT ignores some of the later points.
-
-    See Also
-    --------
-    unitary_power_spectrum,avg_power_spectrum
-    """
-    nsamps = floor_pow_of_two(len(data))
-    
-    freq_axis = linspace(0, freq/2, nsamps/2+1)
-    # nsamps/2+1 b/c zero-freq and nyqist-freq are both fully real.
-    # >>> help(numpy.fft.fftpack.rfft) for Numpy's explaination.
-    # See Numerical Recipies for a details.
-    trans = rfft(data[0:nsamps])
-    power = trans * trans.conj() # We want the square of the amplitude.
-    return (freq_axis, power)
-
-def unitary_power_spectrum(data, freq=1.0):
-    """Compute the unitary power spectrum of the time series `data`.
-
-    See Also
-    --------
-    power_spectrum,unitary_avg_power_spectrum
-    """
-    freq_axis,power = power_spectrum(data, freq)
-    # One sided power spectral density, so 2|H(f)|**2 (see NR 2nd edition 12.0.14, p498)
-    #
-    # numpy normalizes with 1/N on the inverse transform ifft,
-    # so we should normalize the freq-space representation with 1/sqrt(N).
-    # But we're using the rfft, where N points are like N/2 complex points, so 1/sqrt(N/2)
-    # So the power gets normalized by that twice and we have 2/N
-    #
-    # On top of this, the FFT assumes a sampling freq of 1 per second,
-    # and we want to preserve area under our curves.
-    # If our total time T = len(data)/freq is smaller than 1,
-    # our df_real = freq/len(data) is bigger that the FFT expects (dt_fft = 1/len(data)), 
-    # and we need to scale the powers down to conserve area.
-    # df_fft * F_fft(f) = df_real *F_real(f)
-    # F_real = F_fft(f) * (1/len)/(freq/len) = F_fft(f)*freq
-    # So the power gets normalized by *that* twice and we have 2/N * freq**2
-
-    # power per unit time
-    # measure x(t) for time T
-    # X(f)   = int_0^T x(t) exp(-2 pi ift) dt
-    # PSD(f) = 2 |X(f)|**2 / T
-
-    # total_time = len(data)/float(freq)
-    # power *= 2.0 / float(freq)**2   /   total_time
-    # power *= 2.0 / freq**2   *   freq / len(data)
-    power *= 2.0 / (freq * float(len(data)))
-
-    return (freq_axis, power)
-
-def window_hann(length):
-    r"""Returns a Hann window array with length entries
-
-    Notes
-    -----
-    The Hann window with length :math:`L` is defined as
-
-    .. math:: w_i = \frac{1}{2} (1-\cos(2\pi i/L))
-    """
-    win = zeros((length,), dtype=float)
-    for i in range(length):
-        win[i] = 0.5*(1.0-cos(2.0*pi*float(i)/(length)))
-    # avg value of cos over a period is 0
-    # so average height of Hann window is 0.5
-    return win
-
-def avg_power_spectrum(data, freq=1.0, chunk_size=2048,
-                       overlap=True, window=window_hann):
-    """Compute the avgerage power spectrum of `data`.
-
-    Parameters
-    ----------
-    data : iterable
-        Real (not complex) data taken with a sampling frequency `freq`.
-    freq : real
-        Sampling frequency.
-    chunk_size : int
-        Number of samples per chunk.  Use a power of two.
-    overlap: {True,False}
-        If `True`, each chunk overlaps the previous chunk by half its
-        length.  Otherwise, the chunks are end-to-end, and not
-        overlapping.
-    window: iterable
-        Weights used to "smooth" the chunks, there is a whole science
-        behind windowing, but if you're not trying to squeeze every
-        drop of information out of your data, you'll be OK with the
-        default Hann window.
-
-    Returns
-    -------
-    freq_axis,power : numpy.ndarray
-        Arrays ready for plotting.
-
-    Notes
-    -----
-    The average power spectrum is computed by breaking `data` into
-    chunks of length `chunk_size`.  These chunks are transformed
-    individually into frequency space and then averaged together.
-
-    See Numerical Recipes 2 section 13.4 for a good introduction to
-    the theory.
-
-    If the number of samples in `data` is not a multiple of
-    `chunk_size`, we ignore the extra points.
-    """
-    assert chunk_size == floor_pow_of_two(chunk_size), \
-        "chunk_size %d should be a power of 2" % chunk_size
-
-    nchunks = len(data)/chunk_size # integer division = implicit floor
-    if overlap:
-        chunk_step = chunk_size/2
-    else:
-        chunk_step = chunk_size
-    
-    win = window(chunk_size) # generate a window of the appropriate size
-    freq_axis = linspace(0, freq/2, chunk_size/2+1)
-    # nsamps/2+1 b/c zero-freq and nyqist-freq are both fully real.
-    # >>> help(numpy.fft.fftpack.rfft) for Numpy's explaination.
-    # See Numerical Recipies for a details.
-    power = zeros((chunk_size/2+1,), dtype=float)
-    for i in range(nchunks):
-        starti = i*chunk_step
-        stopi = starti+chunk_size
-        fft_chunk = rfft(data[starti:stopi]*win)
-        p_chunk = fft_chunk * fft_chunk.conj() 
-        power += p_chunk.astype(float)
-    power /= float(nchunks)
-    return (freq_axis, power)
-
-def unitary_avg_power_spectrum(data, freq=1.0, chunk_size=2048,
-                               overlap=True, window=window_hann):
-    """Compute the unitary average power spectrum of `data`.
-
-    See Also
-    --------
-    avg_power_spectrum,unitary_power_spectrum
-    """
-    freq_axis,power = avg_power_spectrum(data, freq, chunk_size,
-                                         overlap, window)
-    #        2.0 / (freq * chunk_size)          |rfft()|**2 --> unitary_power_spectrum
-    power *= 2.0 / (freq*float(chunk_size)) * 8/3 # see unitary_power_spectrum()            
-    #                                       * 8/3  to remove power from windowing
-    #  <[x(t)*w(t)]**2> = <x(t)**2 * w(t)**2> ~= <x(t)**2> * <w(t)**2>
-    # where the ~= is because the frequency of x(t) >> the frequency of w(t).
-    # So our calulated power has and extra <w(t)**2> in it.
-    # For the Hann window, <w(t)**2> = <0.5(1 + 2cos + cos**2)> = 1/4 + 0 + 1/8 = 3/8
-    # For low frequency components, where the frequency of x(t) is ~= the frequency of w(t),
-    # The normalization is not perfect. ??
-    # The normalization approaches perfection as chunk_size -> infinity.
-    return (freq_axis, power)
-
-
-
-class TestRFFT (unittest.TestCase):
-    r"""Ensure Numpy's FFT algorithm acts as expected.
-
-    Notes
-    -----
-    The expected return values are [#dft]_:
-
-    .. math:: X_k = \sum_{m=0}^{n-1} x_m \exp^{-2\pi imk/n}
-
-    .. [#dft] See the *Background information* section of :mod:`numpy.fft`.
-    """
-    def run_rfft(self, xs, Xs):
-        i = complex(0,1)
-        n = len(xs)
-        Xa = []
-        for k in range(n):
-            Xa.append(sum([x*exp(-2*pi*i*m*k/n) for x,m in zip(xs,range(n))]))
-            if k < len(Xs):
-                assert (Xs[k]-Xa[k])/abs(Xa[k]) < 1e-6, \
-                    "rfft mismatch on element %d: %g != %g, relative error %g" \
-                    % (k, Xs[k], Xa[k], (Xs[k]-Xa[k])/abs(Xa[k]))
-        # Which should satisfy the discrete form of Parseval's theorem
-        #   n-1               n-1
-        #   SUM |x_m|^2 = 1/n SUM |X_k|^2. 
-        #   m=0               k=0
-        timeSum = sum([abs(x)**2 for x in xs])
-        freqSum = sum([abs(X)**2 for X in Xa])
-        assert abs(freqSum/float(n) - timeSum)/timeSum < 1e-6, \
-            "Mismatch on Parseval's, %g != 1/%d * %g" % (timeSum, n, freqSum)
-
-    def test_rfft(self):
-        xs = [1,2,3,1,2,3,1,2,3,1,2,3,1,2,3,1]
-        self.run_rfft(xs, rfft(xs))
-
-class TestUnitaryRFFT (unittest.TestCase):
-    """Verify `unitary_rfft`.
-    """
-    def run_unitary_rfft_parsevals(self, xs, freq, freqs, Xs):
-        """Check the discretized integral form of Parseval's theorem
-
-        Notes
-        -----
-        Which is:
-
-        .. math:: \sum_{m=0}^{n-1} |x_m|^2 dt = \sum_{k=0}^{n-1} |X_k|^2 df
-        """
-        dt = 1.0/freq
-        df = freqs[1]-freqs[0]
-        assert (df - 1/(len(xs)*dt))/df < 1e-6, \
-            "Mismatch in spacing, %g != 1/(%d*%g)" % (df, len(xs), dt)
-        Xa = list(Xs)
-        for k in range(len(Xs)-1,1,-1):
-            Xa.append(Xa[k])
-        assert len(xs) == len(Xa), "Length mismatch %d != %d" % (len(xs), len(Xa))
-        lhs = sum([abs(x)**2 for x in xs]) * dt
-        rhs = sum([abs(X)**2 for X in Xa]) * df
-        assert abs(lhs - rhs)/lhs < 1e-4, "Mismatch on Parseval's, %g != %g" \
-            % (lhs, rhs)
-    
-    def test_unitary_rfft_parsevals(self):
-        "Test unitary rfft on Parseval's theorem"
-        xs = [1,2,3,1,2,3,1,2,3,1,2,3,1,2,3,1]
-        dt = pi
-        freqs,Xs = unitary_rfft(xs, 1.0/dt)
-        self.run_unitary_rfft_parsevals(xs, 1.0/dt, freqs, Xs)
-    
-    def rect(self, t):
-        r"""Rectangle function.
-
-        Notes
-        -----
-
-        .. math::
-
-            \rect(t) = \begin{cases}
-               1& \text{if $|t| < 0.5$}, \\
-               0& \text{if $|t| \ge 0.5$}.
-                       \end{cases}
-        """
-        if abs(t) < 0.5:
-            return 1
-        else:
-            return 0
-    
-    def run_unitary_rfft_rect(self, a=1.0, time_shift=5.0, samp_freq=25.6,
-                              samples=256):
-        r"""Test `unitary_rttf` on known function `rect(at)`.
-
-        Notes
-        -----
-        Analytic result:
-
-        .. math:: \rfft(\rect(at)) = 1/|a|\cdot\sinc(f/a)
-        """
-        samp_freq = float(samp_freq)
-        a = float(a)
-    
-        x = zeros((samples,), dtype=float)
-        dt = 1.0/samp_freq
-        for i in range(samples):
-            t = i*dt
-            x[i] = self.rect(a*(t-time_shift))
-        freq_axis, X = unitary_rfft(x, samp_freq)
-        #_test_unitary_rfft_parsevals(x, samp_freq, freq_axis, X)
-    
-        # remove the phase due to our time shift
-        j = complex(0.0,1.0) # sqrt(-1)
-        for i in range(len(freq_axis)):
-            f = freq_axis[i]
-            inverse_phase_shift = exp(j*2.0*pi*time_shift*f)
-            X[i] *= inverse_phase_shift
-    
-        expected = zeros((len(freq_axis),), dtype=float)
-        # normalized sinc(x) = sin(pi x)/(pi x)
-        # so sinc(0.5) = sin(pi/2)/(pi/2) = 2/pi
-        assert sinc(0.5) == 2.0/pi, "abnormal sinc()"
-        for i in range(len(freq_axis)):
-            f = freq_axis[i]
-            expected[i] = 1.0/abs(a) * sinc(f/a)
-    
-        if TEST_PLOTS:
-            pylab.figure()
-            pylab.subplot(211)
-            pylab.plot(arange(0, dt*samples, dt), x)
-            pylab.title('time series')
-            pylab.subplot(212)
-            pylab.plot(freq_axis, X.real, 'r.')
-            pylab.plot(freq_axis, X.imag, 'g.')
-            pylab.plot(freq_axis, expected, 'b-')
-            pylab.title('freq series')
-    
-    def test_unitary_rfft_rect(self):
-        "Test unitary FFTs on variously shaped rectangular functions."
-        self.run_unitary_rfft_rect(a=0.5)
-        self.run_unitary_rfft_rect(a=2.0)
-        self.run_unitary_rfft_rect(a=0.7, samp_freq=50, samples=512)
-        self.run_unitary_rfft_rect(a=3.0, samp_freq=60, samples=1024)
-    
-    def gaussian(self, a, t):
-        r"""Gaussian function.
-
-        Notes
-        -----
-
-        .. math:: \gaussian(a,t) = \exp^{-at^2}
-        """
-        return exp(-a * t**2)
-    
-    def run_unitary_rfft_gaussian(self, a=1.0, time_shift=5.0, samp_freq=25.6,
-                                  samples=256):
-        r"""Test `unitary_rttf` on known function `gaussian(a,t)`.
-
-        Notes
-        -----
-        Analytic result:
-
-        .. math::
-
-            \rfft(\gaussian(a,t)) = \sqrt{\pi/a} \cdot \gaussian(1/a,\pi f)
-        """
-        samp_freq = float(samp_freq)
-        a = float(a)
-    
-        x = zeros((samples,), dtype=float)
-        dt = 1.0/samp_freq
-        for i in range(samples):
-            t = i*dt
-            x[i] = self.gaussian(a, (t-time_shift))
-        freq_axis, X = unitary_rfft(x, samp_freq)
-        #_test_unitary_rfft_parsevals(x, samp_freq, freq_axis, X)
-    
-        # remove the phase due to our time shift
-        j = complex(0.0,1.0) # sqrt(-1)
-        for i in range(len(freq_axis)):
-            f = freq_axis[i]
-            inverse_phase_shift = exp(j*2.0*pi*time_shift*f)
-            X[i] *= inverse_phase_shift
-    
-        expected = zeros((len(freq_axis),), dtype=float)
-        for i in range(len(freq_axis)):
-            f = freq_axis[i]
-            expected[i] = sqrt(pi/a) * self.gaussian(1.0/a, pi*f) # see Wikipedia, or do the integral yourself.
-    
-        if TEST_PLOTS:
-            pylab.figure()
-            pylab.subplot(211)
-            pylab.plot(arange(0, dt*samples, dt), x)
-            pylab.title('time series')
-            pylab.subplot(212)
-            pylab.plot(freq_axis, X.real, 'r.')
-            pylab.plot(freq_axis, X.imag, 'g.')
-            pylab.plot(freq_axis, expected, 'b-')
-            pylab.title('freq series')
-    
-    def test_unitary_rfft_gaussian(self):
-        "Test unitary FFTs on variously shaped gaussian functions."
-        self.run_unitary_rfft_gaussian(a=0.5)
-        self.run_unitary_rfft_gaussian(a=2.0)
-        self.run_unitary_rfft_gaussian(a=0.7, samp_freq=50, samples=512)
-        self.run_unitary_rfft_gaussian(a=3.0, samp_freq=60, samples=1024)
-
-class TestUnitaryPowerSpectrum (unittest.TestCase):
-    def run_unitary_power_spectrum_sin(self, sin_freq=10, samp_freq=512,
-                                       samples=1024):
-        x = zeros((samples,), dtype=float)
-        samp_freq = float(samp_freq)
-        for i in range(samples):
-            x[i] = sin(2.0 * pi * (i/samp_freq) * sin_freq)
-        freq_axis, power = unitary_power_spectrum(x, samp_freq)
-        imax = argmax(power)
-    
-        expected = zeros((len(freq_axis),), dtype=float)
-        df = samp_freq/float(samples) # df = 1/T, where T = total_time
-        i = int(sin_freq/df)
-        # average power per unit time is 
-        #  P = <x(t)**2>
-        # average value of sin(t)**2 = 0.5    (b/c sin**2+cos**2 == 1)
-        # so average value of (int sin(t)**2 dt) per unit time is 0.5
-        #  P = 0.5
-        # we spread that power over a frequency bin of width df, sp
-        #  P(f0) = 0.5/df
-        # where f0 is the sin's frequency
-        #
-        # or:
-        # FFT of sin(2*pi*t*f0) gives
-        #  X(f) = 0.5 i (delta(f-f0) - delta(f-f0)),
-        # (area under x(t) = 0, area under X(f) = 0)
-        # so one sided power spectral density (PSD) per unit time is
-        #  P(f) = 2 |X(f)|**2 / T
-        #       = 2 * |0.5 delta(f-f0)|**2 / T
-        #       = 0.5 * |delta(f-f0)|**2 / T
-        # but we're discrete and want the integral of the 'delta' to be 1, 
-        # so 'delta'*df = 1  --> 'delta' = 1/df, and
-        #  P(f) = 0.5 / (df**2 * T)
-        #       = 0.5 / df                (T = 1/df)
-        expected[i] = 0.5 / df
-    
-        print "The power should be a peak at %g Hz of %g (%g, %g)" % \
-            (sin_freq, expected[i], freq_axis[imax], power[imax])
-        Pexp = 0
-        P    = 0
-        for i in range(len(freq_axis)):
-            Pexp += expected[i] *df
-            P    += power[i] * df
-        print " The total power should be %g (%g)" % (Pexp, P)
-    
-        if TEST_PLOTS:
-            pylab.figure()
-            pylab.subplot(211)
-            pylab.plot(arange(0, samples/samp_freq, 1.0/samp_freq), x, 'b-')
-            pylab.title('time series')
-            pylab.subplot(212)
-            pylab.plot(freq_axis, power, 'r.')
-            pylab.plot(freq_axis, expected, 'b-')
-            pylab.title('%g samples of sin at %g Hz' % (samples, sin_freq))
-    
-    def test_unitary_power_spectrum_sin(self):
-        "Test unitary power spectrums on variously shaped sin functions"
-        self.run_unitary_power_spectrum_sin(sin_freq=5, samp_freq=512, samples=1024)
-        self.run_unitary_power_spectrum_sin(sin_freq=5, samp_freq=512, samples=2048)
-        self.run_unitary_power_spectrum_sin(sin_freq=5, samp_freq=512, samples=4098)
-        self.run_unitary_power_spectrum_sin(sin_freq=7, samp_freq=512, samples=1024)
-        self.run_unitary_power_spectrum_sin(sin_freq=5, samp_freq=1024, samples=2048)
-        # finally, with some irrational numbers, to check that I'm not getting lucky
-        self.run_unitary_power_spectrum_sin(sin_freq=pi, samp_freq=100*exp(1), samples=1024)
-        # test with non-integer number of periods
-        self.run_unitary_power_spectrum_sin(sin_freq=5, samp_freq=512, samples=256)
-    
-    def run_unitary_power_spectrum_delta(self, amp=1, samp_freq=1,
-                                         samples=256):
-        """TODO
-        """
-        x = zeros((samples,), dtype=float)
-        samp_freq = float(samp_freq)
-        x[0] = amp
-        freq_axis, power = unitary_power_spectrum(x, samp_freq)
-    
-        # power = <x(t)**2> = (amp)**2 * dt/T
-        # we spread that power over the entire freq_axis [0,fN], so
-        #  P(f)  = (amp)**2 dt / (T fN)
-        # where
-        #  dt = 1/samp_freq        (sample period)
-        #  T  = samples/samp_freq  (total time of data aquisition)
-        #  fN = 0.5 samp_freq      (Nyquist frequency)
-        # so
-        #  P(f) = amp**2 / (samp_freq * samples/samp_freq * 0.5 samp_freq)
-        #       = 2 amp**2 / (samp_freq*samples)
-        expected_amp = 2.0 * amp**2 / (samp_freq * samples)
-        expected = ones((len(freq_axis),), dtype=float) * expected_amp
-    
-        print "The power should be flat at y = %g (%g)" % (expected_amp, power[0])
-        
-        if TEST_PLOTS:
-            pylab.figure()
-            pylab.subplot(211)
-            pylab.plot(arange(0, samples/samp_freq, 1.0/samp_freq), x, 'b-')
-            pylab.title('time series')
-            pylab.subplot(212)
-            pylab.plot(freq_axis, power, 'r.')
-            pylab.plot(freq_axis, expected, 'b-')
-            pylab.title('%g samples of delta amp %g' % (samples, amp))
-    
-    def _test_unitary_power_spectrum_delta(self):
-        "Test unitary power spectrums on various delta functions"
-        _test_unitary_power_spectrum_delta(amp=1, samp_freq=1.0, samples=1024)
-        _test_unitary_power_spectrum_delta(amp=1, samp_freq=1.0, samples=2048)
-        _test_unitary_power_spectrum_delta(amp=1, samp_freq=0.5, samples=2048)# expected = 2*computed
-        _test_unitary_power_spectrum_delta(amp=1, samp_freq=2.0, samples=2048)# expected = 0.5*computed
-        _test_unitary_power_spectrum_delta(amp=3, samp_freq=1.0, samples=1024)
-        _test_unitary_power_spectrum_delta(amp=pi, samp_freq=exp(1), samples=1024)
-    
-    def gaussian(self, area, mean, std, t):
-        "Integral over all time = area (i.e. normalized for area=1)"
-        return area/(std*sqrt(2.0*pi)) * exp(-0.5*((t-mean)/std)**2)
-        
-    def run_unitary_power_spectrum_gaussian(self, area=2.5, mean=5, std=1,
-                                            samp_freq=10.24 ,samples=512):
-        """TODO.
-        """
-        x = zeros((samples,), dtype=float)
-        mean = float(mean)
-        for i in range(samples):
-            t = i/float(samp_freq)
-            x[i] = self.gaussian(area, mean, std, t)
-        freq_axis, power = unitary_power_spectrum(x, samp_freq)
-    
-        # generate the predicted curve
-        # by comparing our self.gaussian() form to _gaussian(),
-        # we see that the Fourier transform of x(t) has parameters:
-        #  std'  = 1/(2 pi std)    (references declaring std' = 1/std are converting to angular frequency, not frequency like we are)
-        #  area' = area/[std sqrt(2*pi)]   (plugging into FT of _gaussian() above)
-        #  mean' = 0               (changing the mean in the time-domain just changes the phase in the freq-domain)
-        # So our power spectral density per unit time is given by
-        #  P(f) = 2 |X(f)|**2 / T
-        # Where
-        #  T  = samples/samp_freq  (total time of data aquisition)
-        mean = 0.0
-        area = area /(std*sqrt(2.0*pi))
-        std = 1.0/(2.0*pi*std)
-        expected = zeros((len(freq_axis),), dtype=float)
-        df = float(samp_freq)/samples # 1/total_time ( = freq_axis[1]-freq_axis[0] = freq_axis[1])
-        for i in range(len(freq_axis)):
-            f = i*df
-            gaus = self.gaussian(area, mean, std, f)
-            expected[i] = 2.0 * gaus**2 * samp_freq/samples
-        print "The power should be a half-gaussian, ",
-        print "with a peak at 0 Hz with amplitude %g (%g)" % (expected[0], power[0])
-    
-        if TEST_PLOTS:
-            pylab.figure()
-            pylab.subplot(211)
-            pylab.plot(arange(0, samples/samp_freq, 1.0/samp_freq), x, 'b-')
-            pylab.title('time series')
-            pylab.subplot(212)
-            pylab.plot(freq_axis, power, 'r.')
-            pylab.plot(freq_axis, expected, 'b-')
-            pylab.title('freq series')
-    
-    def test_unitary_power_spectrum_gaussian(self):
-        "Test unitary power spectrums on various gaussian functions"
-        for area in [1,pi]:
-            for std in [1,sqrt(2)]:
-                for samp_freq in [10.0, exp(1)]:
-                    for samples in [1024,2048]:
-                        self.run_unitary_power_spectrum_gaussian(
-                            area=area, std=std, samp_freq=samp_freq,
-                            samples=samples)
-
-class TestUnitaryAvgPowerSpectrum (unittest.TestCase):
-    def run_unitary_avg_power_spectrum_sin(self, sin_freq=10, samp_freq=512,
-                                           samples=1024, chunk_size=512,
-                                           overlap=True, window=window_hann):
-        """TODO
-        """
-        x = zeros((samples,), dtype=float)
-        samp_freq = float(samp_freq)
-        for i in range(samples):
-            x[i] = sin(2.0 * pi * (i/samp_freq) * sin_freq)
-        freq_axis, power = unitary_avg_power_spectrum(x, samp_freq, chunk_size,
-                                                      overlap, window)
-        imax = argmax(power)
-    
-        expected = zeros((len(freq_axis),), dtype=float)
-        df = samp_freq/float(chunk_size) # df = 1/T, where T = total_time
-        i = int(sin_freq/df)
-        expected[i] = 0.5 / df # see _test_unitary_power_spectrum_sin()
-    
-        print "The power should be a peak at %g Hz of %g (%g, %g)" % \
-            (sin_freq, expected[i], freq_axis[imax], power[imax])
-        Pexp = 0
-        P    = 0
-        for i in range(len(freq_axis)):
-            Pexp += expected[i] * df
-            P    += power[i] * df
-        print " The total power should be %g (%g)" % (Pexp, P)
-    
-        if TEST_PLOTS:
-            pylab.figure()
-            pylab.subplot(211)
-            pylab.plot(arange(0, samples/samp_freq, 1.0/samp_freq), x, 'b-')
-            pylab.title('time series')
-            pylab.subplot(212)
-            pylab.plot(freq_axis, power, 'r.')
-            pylab.plot(freq_axis, expected, 'b-')
-            pylab.title('%g samples of sin at %g Hz' % (samples, sin_freq))
-    
-    def test_unitary_avg_power_spectrum_sin(self):
-        "Test unitary avg power spectrums on variously shaped sin functions."
-        self.run_unitary_avg_power_spectrum_sin(sin_freq=5, samp_freq=512, samples=1024)
-        self.run_unitary_avg_power_spectrum_sin(sin_freq=5, samp_freq=512, samples=2048)
-        self.run_unitary_avg_power_spectrum_sin(sin_freq=5, samp_freq=512, samples=4098)
-        self.run_unitary_avg_power_spectrum_sin(sin_freq=17, samp_freq=512, samples=1024)
-        self.run_unitary_avg_power_spectrum_sin(sin_freq=5, samp_freq=1024, samples=2048)
-        # test long wavelenth sin, so be closer to window frequency
-        self.run_unitary_avg_power_spectrum_sin(sin_freq=1, samp_freq=1024, samples=2048)
-        # finally, with some irrational numbers, to check that I'm not getting lucky
-        self.run_unitary_avg_power_spectrum_sin(sin_freq=pi, samp_freq=100*exp(1), samples=1024)