Вивчайте Основи обробки сигналів | Інтегрування, Інтерполяція та Обробка Сигналів

Свайпніть щоб показати меню

Обробка сигналів — ключова галузь у наукових обчисленнях, що зосереджена на аналізі, обробці та інтерпретації сигналів, таких як аудіо, електричні або сенсорні дані. У Python підмодуль scipy.signal надає широкий набір інструментів для задач обробки сигналів. Ці інструменти включають фільтрацію, виявлення піків, згортку та інші можливості, що дозволяють ефективно та точно обробляти сигнали з реального світу.


              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()

Фільтрація — це поширена операція в обробці сигналів, яка видаляє небажані компоненти, такі як шум, із сигналу. Використовуючи фільтри, наприклад, фільтр Баттерворта, можна ізолювати потрібні частоти, покращуючи якість даних для аналізу. Виявлення піків, у свою чергу, допомагає ідентифікувати локальні максимуми в сигналі — вони відповідають значущим подіям або особливостям. У наукових застосуваннях фільтрація та виявлення піків є необхідними для таких завдань, як аналіз експериментальних вимірювань, виявлення аномалій та отримання корисної інформації з комплексних даних.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 4. Розділ 3

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Секція 4. Розділ 3

Основи обробки сигналів

1. Який підмодуль SciPy використовується для обробки сигналів?

2. Яка мета фільтрації сигналу?

3. Як можна виявити піки у сигналі за допомогою SciPy?