Procesamiento de señales de scipy
¿Qué es el procesamiento de señales Scipy en el lenguaje de Python??
Scipy es la biblioteca de Python más exigente y se basa en la matriz numpy utilizada para el cálculo científico. Módulos hereditarios escudosos como procesamiento de imágenes, transformaciones de Fourier, etc. Scipy es la primera biblioteca en la que piensan los desarrolladores al considerar el procesamiento de señales. Scipy proporciona el paquete de señal que contiene funciones de filtro con herramientas de diseño de filtro.
Módulo de scipy scipy.Se utiliza la señal para el procesamiento de la señal. El procesamiento de la señal es una caja de herramientas que contiene dos variedades de filtros para realizar diferentes tipos de operaciones: lineal y no lineal. Analizar, manipular y generar señales, como sonidos, imágenes, etc., es el tema del procesamiento de señales. Diseñamos, filtramos e interpolamos datos unidimensionales y bidimensionales utilizando algunas de las funciones ofrecidas por SciPy. La señal en el procesamiento de la señal es una variedad de números reales o complejos. Existen numerosas funciones para filtrar y analizar varios tipos de señales en el subcampa de Signal Scipy.
Sintaxis del procesamiento de señales Scipy
La sintaxis del paquete de procesamiento de señal Scipy tiene muchas funciones como Splines B, Filtrado, etc.
La función depende del número de argumentos, y el nombre de la función es diferente; Como discutimos anteriormente, los dos tipos de operación en el filtrado son lineales y no lineales. Se incluyen las ecuaciones lineales, convoluciones y de diferencia. En la siguiente sesión, discutiremos el paquete de señal en detalle con la ayuda de ejemplos simples y comprensibles. Como sabemos que los paquetes tienen muchos módulos o funciones, por lo que realizamos ejemplos prácticos con la ayuda de algunas funciones mencionadas de picante.señal de una manera fácil.
Ejemplo 1
Este ejemplo es muy simple y pertenece a la operación de filtrado lineal significa convolución. El proceso de convolución implica la multiplicación de dos matrices también involucradas en el filtrado, que es una función del paquete de señal. Para la convolución, necesitamos dos parámetros en la señal.función de contener. Los parámetros deben estar en forma de matrices. Entonces, en este ejemplo, entenderemos claramente el funcionamiento de la biblioteca de señales. El siguiente código de muestra se proporciona para su referencia:
importar numpy como npde la señal de importación escasa
de scipy import optimizar
Importar matplotlib.Pyplot como PLT
Array1 = NP.Array ([12.0, 14.0, 16.0])
array2 = np.matriz ([2.0, 6.0, 3.0, 1.0])
resultado = señal. Convolucionar (Array1, Array2)
Imprimir (resultado)
En este ejemplo anterior, tomamos una matriz N-D y realizamos la convolución de dos matrices llamadas Array 1 y Array 2. La explicación del código es importar todas las bibliotecas una por una. Numpy se usa para una matriz numérica y scipy.Se utiliza la biblioteca de señales para filtrar. Después de todo, las matrices declaradas e inicializadas con nombres, como Array1 y Array2 son matrices unidimensionales. Estas matrices contenían valores flotantes. Se llama a la biblioteca Numpy para cada matriz en este programa.
Por fin, pasó ambas matrices como parámetro en la señal.función convolve () y asignar un valor de retorno de la función a la variable de resultado. Llame a la variable de resultado en la declaración de impresión para la salida de visualización en la pantalla. La siguiente captura de pantalla nos muestra la salida generada:
Aquí, después de multiplicar dos matrices, el resultado es [24.0 100.0 152.0 150.0 62.0 16.0]
Ejemplo 2
Este ejemplo se trata del filtro de ecuación de diferencia, que es la función del paquete de señal. La función de filtro de ecuación de diferencia se utiliza para encontrar vectores de condición inicial. La ecuación de la diferencia en un programa se escribe como una palabra clave de Lfilter.
importar numpy como npde la señal de importación escasa
a = np.matriz ([3.0, 0.0, 2.0, 6.0])
B = NP.matriz ([5.0/2, 1.0/5])
y = NP.matriz ([2.0, -2.0/5])
var = señal.lfilter (a, b, y)
Imprimir ('El valor del filtro de ecuación de diferencia es:', var)
Primera línea Importar alias de biblioteca numpy np. Ahora, la matriz Numpy se usa en el programa como NP. En la segunda línea, importe el paquete de señal desde la biblioteca Scipy. En la tercera línea, una matriz declarada e inicializada con el nombre "A". En la cuarta línea, una matriz declarada e inicializada con el nombre "B". En la quinta línea, una matriz declarada e inicializada con el nombre "Y". Llamamos a todas las matrices con la ayuda de la biblioteca Numpy. Después de esa línea, llamamos a la función de ecuación de diferencia con la ayuda de un paquete de señal. Pasamos matrices como parámetro de la función. Declaramos la variable "var" y asignamos un valor de la función. Por fin, mostramos la salida en la pantalla mediante la declaración de impresión. La siguiente captura de pantalla es la salida generada de este programa:
La condición inicial del vector es [2.4 -0.672]
Ejemplo 3
Este ejemplo es sobre un nuevo Scipy.función de señal utilizada para diseñar un filtro IIR que es iirfilter. En esta función, aprobamos argumentos y un tipo de filtro que es elíptico.
importar numpy como npde la señal de importación escasa
Importar matplotlib.Pyplot como PLT
a, d = señal.iirfilter (2, wn = 0.4, rp = 6, rs = 70, btype = 'highpass', ftype = 'ellip')
f, x = señal.Freqz (A, D)
PLT.Título ('Respuesta de la frecuencia digital')
PLT.Parcela (F, 30*NP.Log10 (NP.abdominales (x)))
PLT.Ylabel ('Amplituto')
PLT.xlabel ('frecuencia')
PLT.espectáculo()
En la captura de pantalla de código anterior, importación de las bibliotecas Numpy, Signal y Pyplot con éxito. Después de importar bibliotecas y paquetes, llamado señal.irrfilter () y pasar los argumentos correctamente, el tipo de filtro debe ser ellip porque encontramos aquí una elíptica de paso alto. Declaramos dos variables y asignamos el valor de la función a estas dos variables, respectivamente. Aquí, tomamos dos variables uno al lado del otro porque dibujamos gráficos con el eje X y los valores del eje Y.
Después de eso, llamamos a la función relacionada con la frecuencia que es freqz y pasamos las variables anteriores como un parámetro de señal.Freqz (). Declaramos las variables F y X y asignamos el valor de la señal.freqz () a f y x. Después de eso, llamamos a la Biblioteca Matplotlib para dibujar una trama con el título "Respuesta de la frecuencia digital". Significa que el título del gráfico es "Respuesta de la frecuencia digital". Después de eso, trazamos el gráfico por la etiqueta del eje x y el eje Y. Al final, llamamos a la función show () para mostrar el gráfico en la salida. La siguiente captura de pantalla es la salida generada de este código:
Este gráfico nos muestra una elíptica de paso alto.
Conclusión
Llegamos a la conclusión de que este artículo trata sobre el procesamiento de la señal escasa utilizada para filtrar y generar sonidos de diferentes tipos. Este paquete contiene diferentes funciones que se utilizan para diversos fines. Con la ayuda de los ejemplos dados, aprendimos cómo utilizamos el procesamiento de señales y en qué situación utilizamos el procesamiento de señales, que es un paquete de biblioteca de Scipy en el idioma de Python. También puede generar sus programas después de practicar los ejemplos anteriores y modificar estos ejemplos también.