python - 如何获得信号的高低信封？

我有相当嘈杂的数据,我正试图找出信号的高低信封.它有点像MATLAB中的这个例子:

http://uk.mathworks.com/help/signal/examples/signal-smoothing.html

在"提取峰值信封"中.Python中是否有类似的功能可以做到这一点？我的整个项目都是用Python编写的,最糟糕的情况我可以提取我的numpy数组并将其抛入MATLAB并使用该示例.但是我更喜欢matplotlib的外观......而且真正的cba在MATLAB和Python之间完成所有这些I/O ......

谢谢,

Python中是否有类似的功能可以做到这一点？

据我所知,Numpy/Scipy/Python中没有这样的功能.但是,创建一个并不困难.总体思路如下:

给定值的向量:

找到(s)的峰的位置.我们叫他们(你)

找到s的低谷的位置.我们称之为(l).

使模型适合(u)值对.我们称之为(u_p)

使模型适合(l)值对.我们称之为(l_p)

评估(s)域上的(u_p)以获得上包络的内插值.(我们称之为(q_u))

评估(s)域上的(l_p)以获得下包络的内插值.(我们称之为(q_l)).

如您所见,它是三个步骤(查找位置,拟合模型,评估模型)的序列,但应用了两次,一次用于信封的上半部分,一次用于下部.

要收集(s)的"峰值",您需要找到(s)的斜率从正变为负的点,并收集(​​s)的"波谷",您需要找到斜率为(s)的点. )从负面变为正面.

峰值示例:s = [4,5,4] 5-4为正4-5为负

一个低谷的例子:s = [5,4,5] 4-5是负5-4是正的

这是一个示例脚本,可以帮助您开始使用大量内联注释:

from numpy import array, sign, zeros
from scipy.interpolate import interp1d
from matplotlib.pyplot import plot,show,hold,grid

s = array([1,4,3,5,3,2,4,3,4,5,4,3,2,5,6,7,8,7,8]) #This is your noisy vector of values.

q_u = zeros(s.shape)
q_l = zeros(s.shape)

#Prepend the first value of (s) to the interpolating values. This forces the model to use the same starting point for both the upper and lower envelope models.

u_x = [0,]
u_y = [s[0],]

l_x = [0,]
l_y = [s[0],]

#Detect peaks and troughs and mark their location in u_x,u_y,l_x,l_y respectively.

for k in xrange(1,len(s)-1):
    if (sign(s[k]-s[k-1])==1) and (sign(s[k]-s[k+1])==1):
        u_x.append(k)
        u_y.append(s[k])

    if (sign(s[k]-s[k-1])==-1) and ((sign(s[k]-s[k+1]))==-1):
        l_x.append(k)
        l_y.append(s[k])

#Append the last value of (s) to the interpolating values. This forces the model to use the same ending point for both the upper and lower envelope models.

u_x.append(len(s)-1)
u_y.append(s[-1])

l_x.append(len(s)-1)
l_y.append(s[-1])

#Fit suitable models to the data. Here I am using cubic splines, similarly to the MATLAB example given in the question.

u_p = interp1d(u_x,u_y, kind = 'cubic',bounds_error = False, fill_value=0.0)
l_p = interp1d(l_x,l_y,kind = 'cubic',bounds_error = False, fill_value=0.0)

#Evaluate each model over the domain of (s)
for k in xrange(0,len(s)):
    q_u[k] = u_p(k)
    q_l[k] = l_p(k)

#Plot everything
plot(s);hold(True);plot(q_u,'r');plot(q_l,'g');grid(True);show()

这会产生以下输出:

要进一步改进的要点:

上述代码不过滤可能比某个阈值"距离"(T1)(例如时间)更近的峰值或波谷.这类似于第二个参数envelope.通过检查连续值之间的差异,可以很容易地添加它u_x,u_y.

但是,与前面提到的相比,快速改进的方法是在插入上下包络函数之前,使用移动平均滤波器对数据进行低通滤波.您可以通过将您的(s)与合适的移动平均滤波器进行卷积来轻松完成此操作.如果没有详细说明(如果需要可以做的话),要产生一个在N个连续样本上运行的移动平均滤波器,你可以这样做:s_filtered = numpy.convolve(s, numpy.ones((1,N))/float(N).数据(N)越高,您的数据就会越平滑.但请注意,s_filtered由于平滑滤波器的群延迟,会将您的值(N/2)样本移到右侧(in ).有关移动平均线的更多信息,请参阅此链接.

希望这可以帮助.

(如果提供了有关原始申请的更多信息,请尽快提出答复.也许数据可以更合适的方式进行预处理(？))