一种峰值检测算法——AMPD算法(C语言实现)
本文算法的原始论文出处:Algorithms | Free Full-Text | An Efficient Algorithm for Automatic Peak Detection in Noisy Periodic and Quasi-Periodic Signals | HTML (mdpi.com)
有位老哥在知乎写了Python代码:python代码
在数字信号处理中,经常涉及到波峰查找算法,如振动信号分析,样条插值法求包络等。对于周期信号或者准周期信号,文章介绍了一种名为Automatic multiscale-based peak detection (AMPD),即自动多尺度峰值查找算法。
同时对非周期信号的效果也很nice,强烈安利!
其优势是:
(1)算法本身(几乎)对信号具有良好的自适应性,唯一的假设是信号是周期的或者准周期的;
(2)抗噪能力强,后面可以看到,对周期性的要求也不是很高。
原理不多讲,可以直接来看原文,也比较简单,就是用一个多尺度的滑动窗口去两侧进行比较,寻找局部最大值。
下面为该算法的C语言实现:
// 寻找数组最小值的下标
int argmin(int* index, int index_len)
{
int min_index = 0;
int min = index[0];
for (int i = 1; i < index_len; i++)
{
if (index[i] < min)
{
min = index[i];
min_index = i;
}
}
return min_index;
}
//寻找极值点函数
// data是存放数据的数组
//index是存放峰值点下标的数组
//len_index是峰值个数,即index数组长度
void AMPD(double* data,int* index,int *len_index)
{
int* p_data = (int*)malloc(sizeof(int) * size); //size可以最大为数组长度
int* arr_rowsum = (int*)malloc(sizeof(int) * size);
int min_index, max_window_length;
for (int i = 0; i < size; i++)
{
p_data[i] = 0;
}
for (int k = 1; k <= size / 2 + 1; k++)
{
int row_sum = 0;
for (int i = k; i <= size - k; i++)
{
if ((data[i] > data[i - k]) && (data[i] > data[i + k]))
row_sum -= 1;
}
*(arr_rowsum + k - 1) = row_sum;
}
/*for (int i = 0; i < size/2; i++)
{
printf("%d\n", arr_rowsum[i]);
}*/
min_index = argmin(arr_rowsum, size/2); //此处为最大的窗口
//printf("%d\n", min_index);
max_window_length = min_index;
for (int k = 1; k < max_window_length + 1;k++)
{
for (int i = 1; i < size - k; i++)
{
if ((data[i] > data[i - k]) && (data[i] > data[i + k]))
p_data[i] += 1;
}
}
for (int i_find = 0; i_find < size; i_find++)
{
if (p_data[i_find] == max_window_length)
{
index[*len_index] = i_find;
(*len_index) += 1;
}
}
free(p_data);
free(arr_rowsum);
}
周期信号效果原始文章内太多了,这里就不展示了。
下面来展示一波我自己使用的,非周期信号的峰值寻找情况
可以根据AMPD后得到的峰值数组,进行三次样条插值进行原信号包络的获取。(参考MATLAB内envelope函数)文章来源:https://www.toymoban.com/news/detail-436058.html
寻找波谷的话直接将原始数据翻转一下,就可以得到波谷的下标了。文章来源地址https://www.toymoban.com/news/detail-436058.html
到了这里,关于一种峰值检测算法——AMPD算法(C语言实现)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!