滤波器设计流程

  1. sos滤波器是什么
  2. 为什么要 zpk2sos
  3. 如何实现零相位滤波,优缺点分别是什么

滤波器的计算流程

滤波器的计算设计流程:

1.输入验证和处理:

2.检查频率范围是否合法,计算归一化的频率。

3.滤波器设计:设计带通 Butterworth 滤波器并转换为 SOS 表示。

4.滤波应用:根据 zerophase 参数决定是否进行双向滤波(正向 + 反向)或仅进行正向滤波。

5.返回结果:返回处理后的滤波数据。

python 复制代码
def bandpass(data, freqmin, freqmax, df, corners=4, zerophase=False):
    """
    Butterworth-Bandpass Filter.

    Filter data from ``freqmin`` to ``freqmax`` using ``corners``
    corners.
    The filter uses :func:`scipy.signal.iirfilter` (for design)
    and :func:`scipy.signal.sosfilt` (for applying the filter).

    :type data: numpy.ndarray
    :param data: Data to filter.
    :param freqmin: Pass band low corner frequency.
    :param freqmax: Pass band high corner frequency.
    :param df: Sampling rate in Hz.
    :param corners: Filter corners / order.
    :param zerophase: If True, apply filter once forwards and once backwards.
        This results in twice the filter order but zero phase shift in
        the resulting filtered trace.
    :return: Filtered data.
    """
    fe = 0.5 * df
    low = freqmin / fe
    high = freqmax / fe
    # raise for some bad scenarios
    if high - 1.0 > -1e-6:
        msg = ("Selected high corner frequency ({}) of bandpass is at or "
               "above Nyquist ({}). Applying a high-pass instead.").format(
            freqmax, fe)
        warnings.warn(msg)
        return highpass(data, freq=freqmin, df=df, corners=corners,
                        zerophase=zerophase)
    if low > 1:
        msg = "Selected low corner frequency is above Nyquist."
        raise ValueError(msg)
    z, p, k = iirfilter(corners, [low, high], btype='band',
                        ftype='butter', output='zpk')
    sos = zpk2sos(z, p, k)
    if zerophase:
        firstpass = sosfilt(sos, data)
        return sosfilt(sos, firstpass[::-1])[::-1]
    else:
        return sosfilt(sos, data)

sos 滤波器是什么


零相位滤波器

python 复制代码
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

# 生成示例数据:一个带有噪声的正弦信号
fs = 1000  # 采样频率(Hz)
t = np.linspace(0, 1, fs)  # 时间向量
freq1 = 5  # 低频
freq2 = 50  # 高频
signal_clean = np.sin(2 * np.pi * freq1 * t) + np.sin(2 * np.pi * freq2 * t)  # 清晰信号
noise = np.random.randn(len(t)) * 0.2  # 噪声
signal_noisy = signal_clean + noise  # 带噪声的信号

# 设计带通滤波器
lowcut = 10  # 带通滤波器的低频边界(Hz)
highcut = 40  # 带通滤波器的高频边界(Hz)

# 使用巴特沃斯滤波器设计
b, a = signal.butter(4, [lowcut, highcut], fs=fs, btype='band')

# 使用 filtfilt 进行零相位滤波
signal_filtered = signal.filtfilt(b, a, signal_noisy)

# 绘制结果
plt.figure(figsize=(10, 6))
plt.subplot(3, 1, 1)
plt.plot(t, signal_noisy, label="Noisy signal")
plt.title("Noisy Signal")
plt.subplot(3, 1, 2)
plt.plot(t, signal_clean, label="Original Clean Signal", color='g')
plt.title("Original Clean Signal")
plt.subplot(3, 1, 3)
plt.plot(t, signal_filtered, label="Filtered Signal", color='r')
plt.title("Filtered Signal with Zero-Phase")
plt.tight_layout()
plt.show()
相关推荐
Aspiresky16 小时前
浅析Linux进程信号处理机制:基本原理及应用
linux·运维·信号处理
太爱学习了4 天前
FPGA雷达信号处理之:自适应门限阈值
fpga开发·信号处理
达不溜的日记5 天前
ADC模数转换器详解(基于STM32)
stm32·单片机·嵌入式硬件·信息与通信·信号处理
极度畅想6 天前
脑电数据预处理十六:自动化阈值检测原理与实践
信号处理·脑电数据处理·eeg预处理·伪迹去除·脑电预处理·阈值检测·数据剔除
通信小呆呆6 天前
5G/6G时代的智能超表面:如何重构无线传播环境?
5g·重构·信息与通信·信号处理·超表面
码农hbk7 天前
Linux signal 图文详解(三)信号处理
linux·信号处理
山河君8 天前
webrtc之高通滤波——HighPassFilter源码及原理分析
算法·音视频·webrtc·信号处理
山河君10 天前
webrtc之语音活动上——VAD能量检测原理以及源码详解
算法·音视频·webrtc·信号处理
迎风打盹儿10 天前
均匀圆形阵抗干扰MATLAB仿真实录与特点解读
matlab·信号处理·抗干扰·均匀圆阵·波束合成
Ro Jace11 天前
科研笔记:数学建模启发的课题研究方法
数学建模·信号处理