Update tests/test_components.py

tests/test_components.py

@@ -1,7 +1,9 @@
 import torch
+import numpy as np
 from cognitive_mapping_probe.llm_iface import get_or_load_model
 from cognitive_mapping_probe.resonance_seismograph import run_silent_cogitation_seismic
 from cognitive_mapping_probe.concepts import get_concept_vector, _get_last_token_hidden_state
+from cognitive_mapping_probe.signal_analysis import analyze_cognitive_signal
 
 def test_get_or_load_model_loads_correctly(model_id):
     """Testet, ob das Laden eines echten Modells funktioniert."""
@@ -13,7 +15,7 @@ def test_get_or_load_model_loads_correctly(model_id):
 
 def test_run_silent_cogitation_seismic_output_shape_and_type(model_id):
     """Führt einen kurzen Lauf mit einem echten Modell durch und prüft die Datentypen."""
-    num_steps = 5
+    num_steps = 10
     llm = get_or_load_model(model_id, seed=42)
     state_deltas = run_silent_cogitation_seismic(
         llm=llm, prompt_type="control_long_prose",
@@ -33,7 +35,51 @@ def test_get_last_token_hidden_state_robustness(model_id):
 def test_get_concept_vector_logic(model_id):
     """Testet die Vektor-Extraktion mit einem echten Modell."""
     llm = get_or_load_model(model_id, seed=42)
-    # Verwende eine sehr kurze Baseline für einen schnellen Test
     vector = get_concept_vector(llm, "love", baseline_words=["thing", "place"])
     assert isinstance(vector, torch.Tensor)
     assert vector.shape == (llm.stable_config.hidden_dim,)
+
+def test_analyze_cognitive_signal_no_peaks():
+    """
+    Testet den Edge Case, dass ein Signal keine signifikanten Frequenz-Peaks hat.
+    """
+    flat_signal = np.linspace(0, 1, 100)
+    results = analyze_cognitive_signal(flat_signal)
+    assert results is not None
+    assert results["dominant_periods_steps"] is None
+    assert "spectral_entropy" in results
+
+def test_analyze_cognitive_signal_with_peaks():
+    """
+    Testet den Normalfall, dass ein Signal Peaks hat, mit realistischerem Rauschen.
+    """
+    np.random.seed(42)
+    steps = np.arange(200)
+    # Signal mit einer starken Periode von 10 und einer schwächeren von 25
+    signal_with_peak = (1.0 * np.sin(2 * np.pi * (1/10.0) * steps) + 
+                          0.5 * np.sin(2 * np.pi * (1/25.0) * steps) +
+                          np.random.randn(200) * 0.5) # Realistischeres Rauschen
+    results = analyze_cognitive_signal(signal_with_peak)
+
+    assert results["dominant_periods_steps"] is not None
+    assert 10.0 in results["dominant_periods_steps"]
+    assert 25.0 in results["dominant_periods_steps"]
+
+def test_analyze_cognitive_signal_with_multiple_peaks():
+    """
+    Erweiterter Test, der die korrekte Identifizierung und Sortierung
+    von drei Peaks verifiziert, mit realistischerem Rauschen.
+    """
+    np.random.seed(42)
+    steps = np.arange(300)
+    # Definiere drei Peaks mit unterschiedlicher Stärke (Amplitude)
+    signal = (2.0 * np.sin(2 * np.pi * (1/10.0) * steps) + 
+              1.5 * np.sin(2 * np.pi * (1/4.0)  * steps) +
+              1.0 * np.sin(2 * np.pi * (1/30.0) * steps) +
+              np.random.randn(300) * 0.5) # Realistischeres Rauschen
+              
+    results = analyze_cognitive_signal(signal, num_peaks=3)
+
+    assert results["dominant_periods_steps"] is not None
+    expected_periods = [10.0, 4.0, 30.0]
+    assert results["dominant_periods_steps"] == expected_periods