Das deutsche Python-Forum

Code: Alles auswählen

import scipy.signal as signal
kern = signal.firwin(n, cutoff = 0.3, window = "hanning")

Code: Alles auswählen

filtered = signal.lfilter(kern,1,Datensatz)

Code: Alles auswählen

# -*- coding: utf-8 -*-

import numpy as N
import pylab as P
import scipy.signal as signal

# Messrate = 1kHz --> Sampling Rate = 1ms
# wir messen 1 Sekunde lang
timescale = N.linspace(0, 1, 1000)

# echtes Signal - 10 Hz Sinus
A = 1.0
Sig = A * N.sin(2 * N.pi * 10 * timescale)

# Stoersignal - die boesen 50 Hz aus der Steckdose
B = 0.1
Noise = B * N.sin(2 * N.pi * 50 * timescale)

# Also messen wir
Messung = Sig + Noise

# Aus der Sampling Rate ergibt sich unsere Nyquist Frequenz
# 1/(2 * 1ms) = 500 Hz
# Aus einer vorhergegangenen FFT Analyse wissen wir, dass wir 50 Hz Stoersignal haben
# der maechtige Dreisatz sagt also 500 Hz : 50 Hz --> 1 : 0.1 = cutoff
# sodass wir unseren Filterkern erstellen koennen 
# (Stuetzstellen und Fenster sind willkuerlich gewaehlt - Verbesserungen gerne!)

n = 31 # Anzahl Stuetzstellen
kern = signal.firwin(n, cutoff = 0.1, window = "hamming")

# Filtern
Smooth = signal.lfilter(kern, 1, Messung)
# macht die ersten n Eintraege unbrauchbar... ggf. Constant / Zero padding der Eingangsdaten?

# Ausgabe zum Angucken...
P.clf()
P.subplot(211)
P.plot(timescale, Sig, timescale, Messung)
P.ylabel('Amplitude [a.u.]')
P.xlabel('Zeit [s]')
P.legend(['echtes Signal', 'Messsignal'])

P.subplot(212)
P.plot(timescale, Smooth)
P.ylabel('Amplitude [a.u.]')
P.xlabel('Zeit [s]')
P.legend(['gefiltertes Signal'])

P.subplots_adjust(hspace=0.5)
P.show()

Code: Alles auswählen

zf = [0]*(len(kern)-1)

# Filter initialisieren
Smooth, zf = signal.lfilter(kern, 1, Messung, zi=zf)
# Filtern
Smooth, zf = signal.lfilter(kern, 1, Messung, zi=zf)

Code: Alles auswählen

def filter(Datensatz, Stuetzstellen=61, CutOffFreq=0.08, WindowFunc="hanning"):
# diese rekursive Funktion "schaltet" den Filter langsam ein, bis die gewünschte Filterbreite (Stuetzstellen) erreicht ist.
# Also wird der erste Teil rekursiv verkleinert und mit weniger Stuetzstellen bearbeitet.

# dringend noch zu implementieren: Phasenversatz ausgleichen

	if len(Datensatz) == 1:
		return Datensatz
	if len(Datensatz) < Stuetzstellen:
		print "Denk nochmal drueber nach..."
		return Datensatz
	sub1 = Datensatz[:Stuetzstellen]
	
	kern = signal.firwin(Stuetzstellen, cutoff = CutOffFreq, window = WindowFunc)
	Smoothed = signal.lfilter(kern, 1, Datensatz)
	# rekursives Ersetzen der "verlorenen" Daten
	Smoothed[:Stuetzstellen] = filter( sub1, N.ceil(Stuetzstellen/2.0), CutOffFreq, WindowFunc) 
	
	return Smoothed

Code: Alles auswählen

# Filtern
Smooth, zf = signal.lfilter(kern, 1, Messung, zi=zf)