Impara Fondamenti dell'elaborazione dei segnali | Integrazione, Interpolazione ed Elaborazione dei Segnali

Introduzione a SciPy

Scorri per mostrare il menu

L'elaborazione dei segnali è un'area chiave nell'informatica scientifica, incentrata sull'analisi, la manipolazione e l'interpretazione dei segnali—come dati audio, elettrici o provenienti da sensori. In Python, il sottopacchetto scipy.signal offre un insieme completo di strumenti per le attività di elaborazione dei segnali. Questi strumenti includono filtraggio, rilevamento dei picchi, convoluzione e altro ancora, rendendo possibile l'elaborazione efficiente e accurata di segnali reali.


              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()

Il filtraggio è un'operazione comune nell'elaborazione dei segnali che rimuove componenti indesiderate, come il rumore, da un segnale. Utilizzando filtri come il filtro Butterworth, è possibile isolare le frequenze di interesse, migliorando la qualità dei dati per l'analisi. Il rilevamento dei picchi, invece, consente di identificare i massimi locali all'interno di un segnale—questi corrispondono a eventi o caratteristiche significative. Nelle applicazioni scientifiche, il filtraggio e il rilevamento dei picchi sono fondamentali per attività come l'analisi di misurazioni sperimentali, il rilevamento di anomalie e l'estrazione di informazioni utili da dati complessi.

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 4. Capitolo 3

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Sezione 4. Capitolo 3

Fondamenti dell'elaborazione dei segnali

1. Quale sottopacchetto di SciPy viene utilizzato per l'elaborazione dei segnali?

2. Qual è lo scopo del filtraggio di un segnale?

3. Come si possono rilevare i picchi in un segnale utilizzando SciPy?