传感数据分析——高通滤波与低通滤波

本文主要是介绍传感数据分析——高通滤波与低通滤波，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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()