Przetwarzanie sygnału Scipy

Python to pełnoprawny język programowania, który pomaga programistom tworzyć strony internetowe, aplikacje, złomowanie stron internetowych, automatyzacja zadań itp. Python nie jest wyspecjalizowany dla żadnego pola; Pozwala programistom i naukowcom rozwiązywać problemy naukowe i matematyczne. SCIPY to biblioteka Pythona i obejmuje wysoce zoptymalizowane implementacje. SCIPY służy do przetwarzania sygnału, optymalizacji, interpolacji i integracji. SCIPY sprawia, że ​​życie programisty jest bezpieczniejsze i proste, zapewniając podwodne pakiety, takie jak optymalizowane, sygnały, IO, NDIMAGE i wiele innych. Omawiamy przetwarzanie sygnału SCIPY, które przyniesie korzyści na wdrażaniu funkcji przetwarzania sygnału w Python.

Co to jest przetwarzanie sygnału Scipy w języku Python?

Scipy to najbardziej wymagająca biblioteka Pythona i opiera się na tablicy Numpy używanej do obliczeń naukowych. SCIPY odziedziczone moduły, takie jak przetwarzanie obrazu, transformacje Fouriera itp. SCIPY to pierwsza biblioteka, o której myślą programiści, rozważając przetwarzanie sygnału. Scipy zapewnia pakiet sygnałowy zawierający funkcje filtra z narzędziami do projektowania filtru.

Scipy moduł Scipy.Sygnał służy do przetwarzania sygnału. Przetwarzanie sygnału to zestaw narzędzi zawierający dwie odmiany filtrów do wykonywania różnych rodzajów operacji: liniowy i nieliniowy. Analiza, manipulowanie i generowanie sygnałów, takich jak dźwięki, zdjęcia itp., jest przedmiotem przetwarzania sygnału. Projektujemy, filtrujemy i interpolujemy dane jednowymiarowe i dwuwymiarowe przy użyciu niektórych funkcji oferowanych przez Scipy. Sygnał w przetwarzaniu sygnału jest szeregiem liczb rzeczywistych lub złożonych. Istnieje wiele funkcji filtrowania i analizy różnych rodzajów sygnałów w pakiecie Sigip Scipy.

Składnia przetwarzania sygnału Scipy

Składnia pakietu przetwarzania sygnału SCIPY ma wiele funkcji, takich jak B-splajny, filtrowanie itp.

Funkcja zależy od liczby argumentów, a nazwa funkcji jest inna; Jak omówiliśmy powyżej, dwa rodzaje działań w filtrowaniu są liniowe i nieliniowe. Uwzględniane są równania liniowe, konwencjonalne i różnice. W poniższej sesji szczegółowo omówimy pakiet sygnału za pomocą prostych i zrozumiałych przykładów. Jak wiemy, pakiety mają wiele modułów lub funkcji, dlatego wykonujemy praktyczne przykłady za pomocą kilku wymienionych funkcji pikantnych.sygnalizować w łatwy sposób.

Przykład 1

Ten przykład jest bardzo prosty i należy do liniowej operacji filtrowania. Proces splotu implikuje pomnożenie dwóch tablic zaangażowanych również w filtrowanie, co jest funkcją pakietu sygnału. Do splotu potrzebujemy dwóch parametrów w sygnale.Konwencja funkcji. Parametry muszą być w postaci tablic. W tym przykładzie wyraźnie zrozumiemy działanie biblioteki sygnałowej. Poniższy przykładowy kod jest podany w celu odniesienia:

importować Numpy jako NP
Z sygnału importu Scipy
z Scipy Import Optimalize
importować matplotlib.Pyplot as Plt
array1 = np.tablica ([12.0, 14.0, 16.0])
array2 = np.tablica ([2.0, 6.0, 3.0, 1.0])
wynik = sygnał. Konwencja (Array1, Array2)
Drukuj (wynik)

W poprzednim przykładzie wzięliśmy tablicę N-D i wykonaliśmy splot dwóch tablic o nazwie Array 1 i Array 2. Objaśnienie kodu to import wszystkich bibliotek jeden po drugim. Numpy jest używany do tablicy numerycznej i scipy.Biblioteka sygnałów służy do filtrowania. W końcu zadeklarowane i zainicjowane tablice z nazwami, takimi jak Array1 i Array2, są tablicami jednowymiarowymi. Te tablice zawierały pływające wartości. Biblioteka Numpy jest wywoływana dla każdej tablicy w tym programie.

W końcu przekazał obie tablice jako parametr w sygnale.funkcja zempinuj () i przypisz wartość zwracaną funkcji do zmiennej wyniku. Zadzwoń do zmiennej wyniku w instrukcji wydruku, aby wyświetlić wyjście na ekranie. Poniższy zrzut ekranu pokazuje nam wygenerowane wyjście:

Tutaj, po pomnożeniu dwóch tablic, wynik jest [24.0 100.0 152.0 150.0 62.0 16.0]

Przykład 2

Ten przykład dotyczy filtra różnicowego, który jest funkcją pakietu sygnału. Funkcja filtra równania różnicowego służy do znalezienia wektorów początkowych. Różnica w programie jest napisana jako słowo kluczowe LFILTER.

importować Numpy jako NP
Z sygnału importu Scipy
A = NP.tablica ([3.0, 0.0, 2.0, 6.0])
B = NP.tablica ([5.0/2, 1.0/5])
y = np.tablica ([2.0, -2.0/5])
var = sygnał.LFILTER (A, B, Y)
print („Wartość filtra równania różnicy to: ', var)

Pierwsza linia importuj bibliotekę Numpy Alias ​​NP. Teraz tablica Numpy jest używana w programie jako NP. W drugim wierszu zaimportuj pakiet sygnału z biblioteki Scipy. W trzecim wierszu zadeklarował i zainicjował tablicę o imieniu „A”. Na czwartym wierszu zadeklarował i zainicjował tablicę o imieniu „B”. Na piątym wierszu zadeklarował i zainicjował tablicę o nazwie „Y”. Zadzwoniliśmy do wszystkich tablic z pomocą biblioteki Numpy. Po tej linii nazwaliśmy funkcję równania różnicowego za pomocą pakietu sygnału. Minęliśmy tablice jako parametr funkcji. Zadeklarowaliśmy zmienną „var” i przypisaliśmy wartość funkcji. W końcu wyświetlamy wyjście na ekranie według instrukcji drukowania. Poniższy zrzut ekranu to wygenerowane dane wyjściowe tego programu:

Początkowy stan wektora wynosi [2.4 -0.672]

Przykład 3

Ten przykład dotyczy nowego scipy.Funkcja sygnału używana do projektowania filtra IIR, która jest iirfilter. W tej funkcji przekazaliśmy argumenty i rodzaj filtra, który jest eliptyczny.

importować Numpy jako NP
Z sygnału importu Scipy
importować matplotlib.Pyplot as Plt
a, d = sygnał.iirfilter (2, wn = 0.4, rp = 6, rs = 70, btype = „highpass”, ftype = „elips”)
f, x = sygnał.Freqz (A, D)
plt.Tytuł („Odpowiedź częstotliwości cyfrowej”)
plt.Wykres (f, 30*np.log10 (NP.ABS (x)))
plt.YLABEL („Amplitute”)
plt.xlabel („częstotliwość”)
plt.pokazywać()

W poprzednim zrzucie ekranu kodu pomyślnie importuj biblioteki Numpy, Signal i Pyplot. Po zaimportowaniu bibliotek i pakietów, zwanych sygnałem.IrrFilter () i prawidłowo przekazywanie argumentów, typ filtra musi być elips. Deklarowaliśmy odpowiednio dwie zmienne i przypisaliśmy wartość funkcji do tych dwóch zmiennych. Tutaj przyjmujemy dwie zmienne obok siebie, ponieważ rysujemy wykresy z wartościami X i osi Y.

Następnie nazwaliśmy funkcję związaną z częstotliwością, która jest freqz i przekazaliśmy poprzednie zmienne jako parametr sygnału.Freqz (). Zadeklarowaliśmy zmienne F i X i przypisaliśmy wartość sygnału.freqz () do F i x. Następnie zadzwoniliśmy do biblioteki MATPlotlib, aby narysować fabułę z tytułem „Odpowiedź częstotliwości cyfrowej”. Oznacza to, że tytuł wykresu to „odpowiedź częstotliwości cyfrowej”. Następnie wykreślamy wykres według etykiety osi x i osi y. W końcu wywołujemy funkcję show (), aby wyświetlić wykres na wyjściu. Poniższy zrzut ekranu jest wygenerowanym wyjściem tego kodu:

Ten wykres pokazuje nam eliptykę o wysokim przejściu.

Wniosek

Doszliśmy do wniosku, że ten artykuł dotyczy przetwarzania sygnału Scipy używanego do filtrowania i generowania różnych rodzajów. Ten pakiet zawiera różne funkcje używane do różnych celów. Za pomocą podanych przykładów dowiedzieliśmy się, w jaki sposób użyliśmy przetwarzania sygnału i w której sytuacji użyliśmy przetwarzania sygnału, który jest pakietem biblioteki scipy w języku Python. Możesz także generować swoje programy po ćwiczeniu poprzednich przykładów i modyfikacji tych przykładów.