传感数据分析 |
您所在的位置：网站首页 › 低频信号与高频信号叠加 › 传感数据分析 |
传感数据分析
|
传感数据分析——高通滤波与低通滤波
文章目录
传感数据分析——高通滤波与低通滤波前言一、运行环境二、Python实现总结
前言
对于传感信号而言，我们可以提取其中的高频信息和低频信息，低频信息往往是信号的趋势，高频信息往往是一些突变或异常的信号，根据实际需求分离信号中的高低频特征具有实际意义。本文将使用scipy库中的signal模块实现高低通滤波器的设计，并采用计算周期特征，以下直接上代码。 本文正文内容 一、运行环境系统： Windows 10 / Ubuntu 20.04 编程语言： Python 3.8 文本编译器： Vscode 所需库：matplotlib >= 2.2.2 , numpy >= 1.19.5, scipy >= 1.1.0 二、Python实现代码如下（示例）： # @copyright all reseved # @author: Persist_Zhang import numpy as np from scipy import signal import matplotlib.pyplot as plt # 生成一个模拟信号 fs = 1000 # 采样频率 t = np.arange(0, 1, 1/fs) # 时间向量 f1 = 50 # 低频信号频率 f2 = 120 # 高频信号频率 x = np.sin(2 * np.pi * f1 * t) + np.sin(2 * np.pi * f2 * t) # 模拟信号 # 设计低通滤波器 nyquist = 0.5 * fs low = 40 / nyquist b, a = signal.butter(4, low, btype='low') # 应用低通滤波器 y_low = signal.filtfilt(b, a, x) # 设计高通滤波器 high = 60 / nyquist b, a = signal.butter(4, high, btype='high') # 应用高通滤波器 y_high = signal.filtfilt(b, a, x) # 计算周期特征 fft_x = np.fft.fft(x) fft_y_low = np.fft.fft(y_low) fft_y_high = np.fft.fft(y_high) # 绘制结果 plt.figure() plt.subplot(3, 1, 1) plt.plot(t, x) plt.title('Original Signal') plt.subplot(3, 1, 2) plt.plot(t, y_low) plt.title('Low-Frequency Signal') plt.subplot(3, 1, 3) plt.plot(t, y_high) plt.title('High-Frequency Signal') plt.savefig('./figure/filtered_signals.png') plt.show() # 绘制频谱 plt.figure() plt.subplot(3, 1, 1) plt.plot(np.abs(fft_x)) plt.title('The spectrum of the original signal') plt.subplot(3, 1, 2) plt.plot(np.abs(fft_y_low)) plt.title('The spectrum of the signal after low-pass filtering') plt.subplot(3, 1, 3) plt.plot(np.abs(fft_y_high)) plt.title('The spectrum of the signal after high-pass filtering') plt.savefig('./figure/filtered_signals_spectrum.png') plt.show()结果图
以上就是本文关于传感信号分析中高低频滤波器设计的内容，全部代码见上，还望多多收藏点赞，后续将会更新与分享更多传感数据处理的代码。 |
上图为信号的高低频频谱，下图为原始信号与高频信号（设定大于120Hz）和低频信号(设定为小于50Hz)图。 
【本文地址】
今日新闻 |
推荐新闻 |