​

1.背景介紹

在深度學(xué)習(xí)中，有時(shí)會(huì)使用Matlab進(jìn)行濾波處理，再將處理過的數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)中。這樣是一般的處理方法，但是處理起來卻有些繁瑣，并且有時(shí)系統(tǒng)難以運(yùn)行Matlab。Python作為一種十分強(qiáng)大的語言，是支持信號(hào)濾波濾波處理的。

本文將以實(shí)戰(zhàn)的形式基于scipy模塊使用Python實(shí)現(xiàn)簡(jiǎn)單濾波處理，包括內(nèi)容有1.低通濾波，2.高通濾波，3.帶通濾波，4.帶阻濾波器。具體的含義大家可以查閱大學(xué)課程，信號(hào)與系統(tǒng)。簡(jiǎn)單的理解就是低通濾波指的是去除高于某一閾值頻率的信號(hào)；高通濾波去除低于某一頻率的信號(hào)；帶通濾波指的是類似低通高通的結(jié)合保留中間頻率信號(hào)；帶阻濾波也是低通高通的結(jié)合只是過濾掉的是中間部分。上面所說的內(nèi)容會(huì)在實(shí)戰(zhàn)部分加以介紹，可以對(duì)比理解一下。

如何實(shí)現(xiàn)的呢？我的理解，是通過時(shí)域轉(zhuǎn)換為頻域，在頻域信號(hào)中去除相應(yīng)頻域信號(hào)，最后在逆轉(zhuǎn)換還原為時(shí)域型號(hào)。具體的內(nèi)容還是要查閱大學(xué)課程，信號(hào)與系統(tǒng)。自己學(xué)的很一般就不班門弄斧了。

有什么作用呢？My Opinions，可以消除一些干擾信號(hào)，以低通濾波為例，例如我們?nèi)绻皇墙y(tǒng)計(jì)脈搏信號(hào)波形，應(yīng)該在1Hz左右，卻發(fā)現(xiàn)波形信號(hào)上有很多噪音，這些噪音都是成百上千Hz的，這些對(duì)于脈搏信號(hào)波形就屬于無用的噪音，我們就可以通過低通濾波器將超出某一閾值的信號(hào)過濾掉，此時(shí)得到的波形就會(huì)比較平滑了。

2.實(shí)戰(zhàn)演練

首先我們使用到了scipy模塊，可以通過下述命令進(jìn)行安裝：（我使用的Python==3.6）

pip install scipy

1).低通濾波

這里假設(shè)采樣頻率為1000hz,信號(hào)本身最大的頻率為500hz，要濾除400hz以上頻率成分，即截至頻率為400hz,則wn=2*400/1000=0.8。Wn=0.8

from scipy import signal
b, a = signal.butter(8, 0.8, 'lowpass')  #配置濾波器 8 表示濾波器的階數(shù)
filtedData = signal.filtfilt(b, a, data) #data為要過濾的信號(hào)

2).高通濾波

這里假設(shè)采樣頻率為1000hz,信號(hào)本身最大的頻率為500hz，要濾除100hz以下頻率成分，即截至頻率為100hz,則wn=2*100/1000=0.2。Wn=0.2

from scipy import signal
b, a = signal.butter(8, 0.2, 'highpass')  #配置濾波器 8 表示濾波器的階數(shù)
filtedData = signal.filtfilt(b, a, data) #data為要過濾的信號(hào)

3).帶通濾波

這里假設(shè)采樣頻率為1000hz,信號(hào)本身最大的頻率為500hz，要濾除100hz以下，400hz以上頻率成分，即截至頻率為100，400hz,則wn1=2*100/1000=0.2，Wn1=0.2； wn2=2*400/1000=0.8，Wn2=0.8。Wn=[0.02,0.8]

from scipy import signal
b, a = signal.butter(8, [0.2,0.8], 'bandpass')  #配置濾波器 8 表示濾波器的階數(shù)
filtedData = signal.filtfilt(b, a, data) #data為要過濾的信號(hào)

4).帶阻濾波

這里假設(shè)采樣頻率為1000hz,信號(hào)本身最大的頻率為500hz，要濾除100hz以上，400hz以下頻率成分，即截至頻率為100，400hz,則wn1=2*100/1000=0.2，Wn1=0.2； wn2=2*400/1000=0.8，Wn2=0.8。Wn=[0.02,0.8]，和帶通相似，但是帶通是保留中間，而帶阻是去除。

from scipy import signal
b, a = signal.butter(8, [0.2,0.8], 'bandstop')  #配置濾波器 8 表示濾波器的階數(shù)
filtedData = signal.filtfilt(b, a, data) #data為要過濾的信號(hào)

3.函數(shù)介紹

1.函數(shù)的介紹

(1).濾波函數(shù)

scipy.signal.filtfilt(b, a, x, axis=-1, padtype='odd', padlen=None, method='pad', irlen=None)

輸入?yún)?shù)：

b: 濾波器的分子系數(shù)向量

a: 濾波器的分母系數(shù)向量

x: 要過濾的數(shù)據(jù)數(shù)組。（array型）

axis: 指定要過濾的數(shù)據(jù)數(shù)組x的軸

padtype: 必須是“奇數(shù)”、“偶數(shù)”、“常數(shù)”或“無”。這決定了用于過濾器應(yīng)用的填充信號(hào)的擴(kuò)展類型。{‘odd', ‘even', ‘constant', None}

padlen：在應(yīng)用濾波器之前在軸兩端延伸X的元素?cái)?shù)目。此值必須小于要濾波元素個(gè)數(shù)- 1。（int型或None）

method：確定處理信號(hào)邊緣的方法。當(dāng)method為“pad”時(shí)，填充信號(hào)；填充類型padtype和padlen決定，irlen被忽略。當(dāng)method為“gust”時(shí)，使用古斯塔夫森方法，而忽略padtype和padlen。{“pad” ，“gust”}

irlen：當(dāng)method為“gust”時(shí)，irlen指定濾波器的脈沖響應(yīng)的長(zhǎng)度。如果irlen是None，則脈沖響應(yīng)的任何部分都被忽略。對(duì)于長(zhǎng)信號(hào)，指定irlen可以顯著改善濾波器的性能。（int型或None）

輸出參數(shù)：

y:濾波后的數(shù)據(jù)數(shù)組

（2）.濾波器構(gòu)造函數(shù)(僅介紹Butterworth濾波器)

scipy.signal.butter(N, Wn, btype='low', analog=False, output='ba')

輸入?yún)?shù)：

N:濾波器的階數(shù)

Wn：歸一化截止頻率。計(jì)算公式Wn=2*截止頻率/采樣頻率。（注意：根據(jù)采樣定理，采樣頻率要大于兩倍的信號(hào)本身最大的頻率，才能還原信號(hào)。截止頻率一定小于信號(hào)本身最大的頻率，所以Wn一定在0和1之間）。當(dāng)構(gòu)造帶通濾波器或者帶阻濾波器時(shí)，Wn為長(zhǎng)度為2的列表。

btype : 濾波器類型{‘lowpass', ‘highpass', ‘bandpass', ‘bandstop'},

output : 輸出類型{‘ba', ‘zpk', ‘sos'},

輸出參數(shù)：

b，a: IIR濾波器的分子（b）和分母（a）多項(xiàng)式系數(shù)向量。output='ba'

z,p,k: IIR濾波器傳遞函數(shù)的零點(diǎn)、極點(diǎn)和系統(tǒng)增益. output= 'zpk'

sos: IIR濾波器的二階截面表示。output= 'sos'

總結(jié)

以上所述是小編給大家介紹的Python基于scipy實(shí)現(xiàn)信號(hào)濾波功能，希望對(duì)大家有所幫助，如果大家有任何疑問歡迎給我留言，小編會(huì)及時(shí)回復(fù)大家的！

最新評(píng)論