传感数据分析——傅里叶滤波与小波滤波

这篇具有很好参考价值的文章主要介绍了传感数据分析——傅里叶滤波与小波滤波。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

传感数据分析——傅里叶滤波与小波滤波


前言

傅里叶滤波的原理:
傅里叶滤波是基于傅里叶变换的一种信号处理方法,它的原理如下:
傅里叶变换: 将时域信号转换为频域信号。傅里叶变换将信号分解成一系列正弦和余弦函数的频谱成分,表示了信号在不同频率上的贡献。
频域滤波: 在频域中,可以通过滤波操作来去除或弱化不需要的频率分量。通常,通过设定一个截止频率,将高于该频率的分量置零,达到滤波的效果。这也被称为频域截断。
逆傅里叶变换: 将经过滤波后的频域信号转换回时域。逆傅里叶变换恢复了滤波后的信号,得到最终的处理结果。
傅里叶滤波的优点是简单易懂,而缺点包括对非平稳信号的处理不够灵活,可能导致频谱泄漏等问题。
小波滤波的原理:
小波滤波是基于小波变换的一种信号处理方法,其原理如下:
小波变换: 将信号分解成不同尺度和频带的小波系数。小波变换提供了信号在时域和频域上的局部信息,因此具有更好的时频分辨率。
阈值处理: 对小波系数进行阈值处理,通过将较小的系数置零来抑制噪声。阈值通常基于系数的能量或统计性质计算。
小波逆变换: 将处理后的小波系数反变换回原始信号。逆变换产生了去噪后的信号。
小波滤波的优点包括对非平稳信号的适应性强,能够更好地处理瞬态信号和局部特征。然而,小波滤波也可能需要更复杂的计算,并且对于不同的小波基和阈值方法,效果可能有所不同。
综合来看,傅里叶滤波更注重全局频域特性,而小波滤波更注重局部时频特性,选择其中一种方法通常取决于信号的特征和具体的应用需求。
本文将调用PyWavelets库对比傅里叶滤波与小波滤波方法。


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, PyWavelets >= 1.4.1

二、Python实现

代码如下(示例):

# @copyright all reseved
# @author: Persist_Zhang
import numpy as np
import matplotlib.pyplot as plt
import pywt

def fourier_filter(signal, cutoff_frequency):
    # 进行傅里叶变换
    spectrum = np.fft.fft(signal)

    # 设定高频分量为零
    spectrum[int(cutoff_frequency):] = 0
    spectrum[:1] = 0  # 去除直流分量

    # 进行傅里叶逆变换
    filtered_signal = np.fft.ifft(spectrum)

    return filtered_signal.real

def wavelet_filter(signal, wavelet='db1', level=4, threshold_multiplier=0.1):
    # 进行小波变换
    coeffs = pywt.wavedec(signal, wavelet, level=level)

    # 计算阈值
    threshold = threshold_multiplier * np.sqrt(2 * np.log2(len(signal))) * np.median(np.abs(coeffs[-1]))

    # 应用阈值
    coeffs = [pywt.threshold(c, threshold, mode='soft') for c in coeffs]

    # 进行小波逆变换
    filtered_signal = pywt.waverec(coeffs, wavelet)

    return filtered_signal

if __name__ == "__main__":
    # 生成含噪声的信号
    np.random.seed(42)
    t = np.linspace(0, 1, 1000, endpoint=False)
    signal = np.sin(2 * np.pi * 7 * t) + 0.5 * np.sin(2 * np.pi * 15 * t) + 0.1 * np.random.randn(1000)

    # 设定傅里叶滤波的截止频率
    cutoff_frequency = 20

    # 进行傅里叶滤波
    filtered_fourier = fourier_filter(signal, cutoff_frequency)

    # 进行小波滤波
    threshold_multiplier = 0.8  # 调整阈值以控制去噪程度
    filtered_wavelet = wavelet_filter(signal, threshold_multiplier=threshold_multiplier)

    # 绘制原始信号和滤波后的信号在同一张图上
    plt.figure(figsize=(10, 6))

    plt.plot(t, signal, label='Original Signal', color='blue')
    plt.plot(t, filtered_fourier, label='Filtered (Fourier)', color='green')
    plt.plot(t, filtered_wavelet, label=f'Filtered (Wavelet, Threshold Multiplier={threshold_multiplier})', color='orange')

    plt.legend()
    plt.title('Original Signal and Filtered Signals')
    plt.xlabel('Time')
    plt.ylabel('Amplitude')
    plt.savefig('./figure/Fourier_Wavelet_Filter.jpg')

    plt.show()

结果图
传感数据分析——傅里叶滤波与小波滤波,数据分析,传感数据,Python,数据分析,数据挖掘
由图可知,傅里叶滤波更注重全局频域特性,滤波后展现趋势性,而小波滤波更注重局部时频特性,对局部跳变较大的数据滤波效果更佳。


总结

以上就是本文关于传感信号分析中傅里叶滤波与小波滤波的对比,全部代码见上,还望多多收藏点赞,后续将会更新与分享更多传感数据处理的代码。文章来源地址https://www.toymoban.com/news/detail-796966.html

到了这里,关于传感数据分析——傅里叶滤波与小波滤波的文章就介绍完了。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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Halcon 赃污检测(高斯滤波图,傅里叶变换,灰度差过滤)

    链接:https://pan.baidu.com/s/1PCam-4jnNOtBOixrK6Gdhw 提取码:bkqd

    2024年02月13日
    浏览(55)
  • 跟我学Python图像处理丨傅里叶变换之高通滤波和低通滤波

    摘要: 本文讲解基于傅里叶变换的高通滤波和低通滤波。 本文分享自华为云社区《[Python图像处理] 二十三.傅里叶变换之高通滤波和低通滤波》,作者:eastmount 。 傅里叶变换的目的并不是为了观察图像的频率分布(至少不是最终目的),更多情况下是为了对频率进行过滤,

    2024年02月04日
    浏览(51)
  • 数字图像处理Malab/C++(三)傅里叶变换及频谱图、频域滤波

    1、选择任意灰度图像。计算和显示原始图像的频谱振幅和任意因子缩放的同一图像的频谱振幅。 2、选择任意灰度图像。计算和显示原始图像的频谱振幅和任意角度旋转的同一图像的频谱振幅。 3、 使用标准Lena灰度图片,添加高斯噪声imnoise(I,‘gaussian’, 0.05) 。请用合适的频

    2024年02月06日
    浏览(45)
  • 傅里叶分析和小波分析

    从傅里叶变换到小波变换,并不是一个完全抽象的东西,可以讲得很形象。小波变换有着明确的物理意义,如果我们从它的提出时所面对的问题看起,可以整理出非常清晰的思路。 下面我就按照傅里叶--短时傅里叶变换--小波变换的顺序,讲一下为什么会出现小波这个东西、

    2024年02月06日
    浏览(39)
  • 信号处理与分析-傅里叶

    目录 一、引言 二、傅里叶级数 1. 傅里叶级数的定义 2. 傅里叶级数的性质 三、傅里叶变换 1. 傅里叶变换的定义 2. 傅里叶变换的性质 四、离散傅里叶变换 1. 离散傅里叶变换的定义 2. 离散傅里叶变换的性质 五、应用实例 1. 信号处理 2. 图像处理 六、总结 傅里叶变换是一种重

    2024年02月06日
    浏览(40)
  • 基于Gaussian计算分析傅里叶红外光谱实验值

    :Gaussian、GaussView、傅里叶红外光谱(FTIR)、光谱分析、量子化学 近年来,红外光谱分析技术在材料科学和化学领域得到了广泛的应用。红外光谱是一种基于物质分子振动模式的分析方法,可以用于研究物质的结构、组成和性质。然而在实验中,由于各种原因(如仪器

    2024年04月27日
    浏览(46)
  • 从傅里叶变换,到短时傅里叶变换,再到小波分析(CWT),看这一篇就够了(附MATLAB傻瓜式实现代码)

    本专栏中讲了很多时频域分析的知识,不过似乎还没有讲过时频域分析是怎样引出的。 所以本篇将回归本源,讲一讲从傅里叶变换→短时傅里叶变换→小波分析的过程。 为了让大家更直观得理解算法原理和推导过程,这篇文章将主要使用图片案例。 频谱分析可以告诉我们一

    2024年01月16日
    浏览(37)
  • Python中利用FFT(快速傅里叶变换)进行频谱分析

    本文将从实例的角度出发讲解fft函数的基本使用,不包含复杂的理论推导。 要对一个信号进行频谱分析,首先需要知道几个基本条件。 采样频率fs 信号长度N(信号的点数) 采样频率fs: 根据采样定理可知,采样频率应当大于等于被测信号里最高频率的2倍,才能保证不失真

    2024年01月17日
    浏览(47)
  • 傅立叶之美:深入研究傅里叶分析背后的原理和数学

            T傅里叶级数及其伴随的推导是数学 在现实世界 中最 迷人的 应用 之一。我一直主张通过理解数学来理解我们周围的世界。 从使用线性代数设计神经网络,从混沌理论理解 太阳系 ,到弦理论理解 宇宙的基本组成部分 ,数学无处不在。         当然,这些是

    2024年04月12日
    浏览(40)
  • matlab傅里叶变换及矩阵数据统计

    目录 一、   设计任务及指标. 3 二、  设计过程. 3 1、   界面设计. 3 2、   具体设计. 5 傅里叶变换设计思路:. 5 按钮的回调函数:. 5 弹出式菜单部分:. 6 单选按钮部分:. 7 矩阵部分:. 8 三、  设计遇到问题及总结. 9 1.傅里叶变换部分. 9 2.修饰样式部分. 10 四、  课程学

    2024年04月23日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包