Python基于scipy實現(xiàn)信號濾波功能
1.背景介紹
在深度學習中,有時會使用Matlab進行濾波處理,再將處理過的數(shù)據(jù)送入神經(jīng)網(wǎng)絡中。這樣是一般的處理方法,但是處理起來卻有些繁瑣,并且有時系統(tǒng)難以運行Matlab。Python作為一種十分強大的語言,是支持信號濾波濾波處理的。
本文將以實戰(zhàn)的形式基于scipy模塊使用Python實現(xiàn)簡單濾波處理,包括內容有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課程,信號與系統(tǒng)。簡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;高通濾波去除低于某一頻率的信號;帶通濾波指的是類似低通高通的結合保留中間頻率信號;帶阻濾波也是低通高通的結合只是過濾掉的是中間部分。上面所說的內容會在實戰(zhàn)部分加以介紹,可以對比理解一下。
如何實現(xiàn)的呢?我的理解,是通過時域轉換為頻域,在頻域信號中去除相應頻域信號,最后在逆轉換還原為時域型號。具體的內容還是要查閱大學課程,信號與系統(tǒng)。自己學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,以低通濾波為例,例如我們如果只是統(tǒng)計脈搏信號波形,應該在1Hz左右,卻發(fā)現(xiàn)波形信號上有很多噪音,這些噪音都是成百上千Hz的,這些對于脈搏信號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過濾掉,此時得到的波形就會比較平滑了。
2.實戰(zhàn)演練
首先我們使用到了scipy模塊,可以通過下述命令進行安裝:(我使用的Python==3.6)
pip install scipy
1).低通濾波
這里假設采樣頻率為1000hz,信號本身最大的頻率為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
2).高通濾波
這里假設采樣頻率為1000hz,信號本身最大的頻率為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
3).帶通濾波
這里假設采樣頻率為1000hz,信號本身最大的頻率為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
4).帶阻濾波
這里假設采樣頻率為1000hz,信號本身最大的頻率為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
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用的填充信號的擴展類型。{‘odd', ‘even', ‘constant', None}
padlen:在應用濾波器之前在軸兩端延伸X的元素數(shù)目。此值必須小于要濾波元素個數(shù)- 1。(int型或None)
method:確定處理信號邊緣的方法。當method為“pad”時,填充信號;填充類型padtype和padlen決定,irlen被忽略。當method為“gust”時,使用古斯塔夫森方法,而忽略padtype和padlen。{“pad” ,“gust”}
irlen:當method為“gust”時,irlen指定濾波器的脈沖響應的長度。如果irlen是None,則脈沖響應的任何部分都被忽略。對于長信號,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本身最大的頻率,才能還原信號。截止頻率一定小于信號本身最大的頻率,所以Wn一定在0和1之間)。當構造帶通濾波器或者帶阻濾波器時,Wn為長度為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)多項式系數(shù)向量。output='ba'
z,p,k: IIR濾波器傳遞函數(shù)的零點、極點和系統(tǒng)增益. output= 'zpk'
sos: IIR濾波器的二階截面表示。output= 'sos'
總結
以上所述是小編給大家介紹的Python基于scipy實現(xiàn)信號濾波功能,希望對大家有所幫助,如果大家有任何疑問歡迎給我留言,小編會及時回復大家的!
- Python中利用Scipy包的SIFT方法進行圖片識別的實例教程
- 詳解Python中的Numpy、SciPy、MatPlotLib安裝與配置
- Python實現(xiàn)曲線擬合操作示例【基于numpy,scipy,matplotlib庫】
- python中的插值 scipy-interp的實現(xiàn)代碼
- python scipy求解非線性方程的方法(fsolve/root)
- Python實現(xiàn)的擬合二元一次函數(shù)功能示例【基于scipy模塊】
- 淺談python中scipy.misc.logsumexp函數(shù)的運用場景
- python安裝numpy&安裝matplotlib& scipy的教程
- python安裝scipy的方法步驟
- 詳解利用Python scipy.signal.filtfilt() 實現(xiàn)信號濾波
- Python使用scipy模塊實現(xiàn)一維卷積運算示例
- Python scipy的二維圖像卷積運算與圖像模糊處理操作示例
相關文章
數(shù)據(jù)庫操作入門PyMongo?MongoDB基本用法
這篇文章主要為大家介紹了數(shù)據(jù)庫操作入門PyMongo MongoDB基本用法示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2023-11-11Python使用lambda拋出異常實現(xiàn)方法解析
這篇文章主要介紹了Python使用lambda拋出異常實現(xiàn)方法解析,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-08-08