使用Numpy快速去除信号趋势项

1、引言

在我们采集传感器信号的时候,由于传感器受温度影响,使得采集到的信号存在频移现象(趋势项),这种频移现象往往影响对信号的分析和识别。所以我们要消除这种趋势项。

2、采用多项式拟合的方法

原理暂时pass

3、使用Numpy去除信号趋势项

import numpy as np
import matplotlib.pyplot as plt

def trend_remove(x, y):  # 
    param = np.polyfit(x, y, 2)   #用2次多项式拟合x,y数组,返回多项式系数
    y_poly_func = np.poly1d(param)#拟合完之后,用生成的多项式系数用来生成多项式函数
    y_poly = y_poly_func(x) #生成多项式函数之后,就是获取x在这个多项式处的值
    detrend_y = y - y_poly  # 原始信号减去拟合函数的值即为去除趋势项后的信号
    
    plt.figure(figsize=(20,8))
    plt.subplot(131)
    plt.title('原始信号')
    plt.plot(x, y)
    plt.subplot(132)
    plt.title('多项式拟合')
    plt.plot(x, y)
    plt.plot(x, y_poly)
    plt.subplot(133)
    plt.title('去除趋势项后信号')
    plt.plot(x, detrend_y)
    plt.show()
Savitzky-Golay (SG) 过滤是一种基于多项式插值的数字滤波技术,特别适合去除缓慢变化的噪声和趋势,也就是所谓的“慢变”。在处理信号时,它会根据附近的数据点进行光滑的拟合,从而消除那些由于测量误差、环境变化等引起的长周期波动。 要使用SG滤波器去除信号中的慢变,你需要确定以下几个关键参数: 1. **窗口大小(window_size)**:这是滤波器考虑的样本点数量,应足够大以便捕捉到慢变的趋势,但也不能过大以免过度平滑信号的重要特征。 2. **多项式阶数(poly_order)**:决定拟合曲线的复杂度,阶数越高,模型越能适应慢变,但也可能导致更多的高频噪声。 例如,如果信号较长,并且你知道慢变是随时间渐进的,你可以选择较大的窗口大小和适当的高阶多项式: ```python import numpy as np from scipy.signal import savgol_filter # 假设data是包含长时间序列的信号 data = np.array([...]) # 设定较大的窗口大小(比如50或100,视实际情况而定)和较高的多项式阶数(如4或5) smoothed_data = savgol_filter(data, window_length=50, polyorder=4) ``` 然而,记得在选择参数时保持一定的平衡,避免过度平滑导致重要信息的丢失。同时,你应该通过可视化原始信号和处理后的信号对比,以及一些性能指标(如峰值检测、均方根误差等),来验证滤波效果是否满意。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

爱吹口哨的夜莺

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值