Lære Grunnleggende Signalbehandling | Integrasjon, interpolasjon og signalbehandling

Introduksjon til SciPy

Sveip for å vise menyen

Signalbehandling er et sentralt område innen vitenskapelig databehandling, med fokus på analyse, manipulering og tolkning av signaler—slik som lyd, elektriske signaler eller sensordata. I Python tilbyr scipy.signal-undermodulen et omfattende sett med verktøy for signalbehandlingsoppgaver. Disse verktøyene inkluderer filtrering, toppdeteksjon, konvolusjon og mer, noe som gjør det mulig å behandle signaler fra virkeligheten effektivt og nøyaktig.


              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()

Filtrering er en vanlig operasjon innen signalbehandling som fjerner uønskede komponenter, som støy, fra et signal. Ved å bruke filtre som Butterworth-filteret kan du isolere de frekvensene som er av interesse, noe som forbedrer kvaliteten på dataene dine for analyse. Toppdeteksjon hjelper derimot med å identifisere lokale maksimum i et signal—disse tilsvarer viktige hendelser eller egenskaper. I vitenskapelige anvendelser er filtrering og toppdeteksjon essensielt for oppgaver som å analysere eksperimentelle målinger, oppdage avvik og hente ut nyttig informasjon fra komplekse data.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 4. Kapittel 3

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Seksjon 4. Kapittel 3

Grunnleggende Signalbehandling

1. Hvilken SciPy-undermodul brukes til signalbehandling?

2. Hva er formålet med å filtrere et signal?

3. Hvordan kan du oppdage topper i et signal ved bruk av SciPy?