Apprendre Principes de base du traitement du signal | Intégration, Interpolation et Traitement du Signal

Introduction à SciPy

Glissez pour afficher le menu

Le traitement du signal est un domaine clé de l'informatique scientifique, axé sur l'analyse, la manipulation et l'interprétation des signaux—tels que les données audio, électriques ou issues de capteurs. En Python, le sous-module scipy.signal offre un ensemble complet d'outils pour les tâches de traitement du signal. Ces outils incluent le filtrage, la détection de pics, la convolution, et bien d'autres, permettant de traiter efficacement et précisément des signaux du monde réel.


              1234567891011121314151617181920212223242526
            
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import butter, filtfilt

# Create a time array and a noisy signal
t = np.linspace(0, 1.0, 200)
clean_signal = np.sin(2 * np.pi * 5 * t)
noise = np.random.normal(0, 0.5, t.shape)
noisy_signal = clean_signal + noise

# Design a low-pass Butterworth filter
b, a = butter(N=4, Wn=0.2)

# Apply the filter to the noisy signal
filtered_signal = filtfilt(b, a, noisy_signal)

# Plot the results
plt.figure(figsize=(10, 4))
plt.plot(t, noisy_signal, label="Noisy Signal")
plt.plot(t, filtered_signal, label="Filtered Signal", linewidth=2)
plt.legend()
plt.xlabel("Time [s]")
plt.ylabel("Amplitude")
plt.title("Low-pass Filtering with scipy.signal")
plt.tight_layout()
plt.show()


              123456789101112131415161718192021
            
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import find_peaks

# Generate a signal with peaks
x = np.linspace(0, 6 * np.pi, 200)
signal = np.sin(x) + 0.5 * np.random.randn(200)

# Find peaks in the signal
peaks, _ = find_peaks(signal, height=0)

# Plot signal and detected peaks
plt.figure(figsize=(10, 4))
plt.plot(x, signal, label="Signal")
plt.plot(x[peaks], signal[peaks], "x", label="Peaks", markersize=10)
plt.xlabel("x")
plt.ylabel("Amplitude")
plt.title("Peak Detection with scipy.signal.find_peaks")
plt.legend()
plt.tight_layout()
plt.show()

Le filtrage est une opération courante en traitement du signal qui permet d’éliminer les composantes indésirables, telles que le bruit, d’un signal. En utilisant des filtres comme le filtre de Butterworth, il est possible d’isoler les fréquences d’intérêt, améliorant ainsi la qualité des données pour l’analyse. La détection de pics, quant à elle, permet d’identifier les maxima locaux dans un signal—ceux-ci correspondent à des événements ou caractéristiques significatifs. Dans les applications scientifiques, le filtrage et la détection de pics sont essentiels pour des tâches telles que l’analyse de mesures expérimentales, la détection d’anomalies et l’extraction d’informations utiles à partir de données complexes.

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 3

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Section 4. Chapitre 3

Principes de base du traitement du signal

1. Quel sous-module de SciPy est utilisé pour le traitement du signal ?

2. Quel est le but du filtrage d’un signal ?

3. Comment détecter des pics dans un signal avec SciPy ?