利用FFT分析比较卡尔曼滤波算法、低通滤波算法、滑动平均滤波的频谱

最新推荐文章于 2024-03-05 17:25:56 发布
最新推荐文章于 2024-03-05 17:25:56 发布
阅读量1.1w 收藏 78
点赞数 12
分类专栏： ADC采样 文章标签： ADC
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/moge19/article/details/87389728
版权

1 卡尔曼滤波

详见博客 https://blog.csdn.net/moge19/article/details/81750731

2 低通滤波

2.1 算法推导

一阶RC滤波器的硬件电路如图：
在这里插入图片描述
图中输入电压是Vi，电阻R，电容C，输出电压为Vo。

假设电路的输出阻抗很大（即不带任何负载），输入阻抗很小（理想情况）。可以得到以下公式：

V o = 1 1 + j ω R C V i V_o = \frac{1}{1+j\omega RC}V_i Vo​=1+jωRC1​Vi​

电容的阻抗是 Z C = 1 j ω C Z_C = \frac{1}{j\omega C} ZC​=jωC1​。

而 ω = 2 π f \omega = 2\pi f ω=2πf

截止频率 f c u t = 1 2 π R C f_{cut} = \frac{1}{2\pi RC} fcut​=2πRC1​，此频率下的信号，通过这个电路，输出电压和输入电压的关系式是 V o = 1 1 + j V i V_o = \frac{1}{1+j}V_i Vo​=1+j1​Vi​

或者时域上的表达式：

V o = V i − R C d V o d t V_o = V_i - RC\frac{dV_o}{dt} Vo​=Vi​−RCdtdVo​​

上式离散后，可以得到：

V o ( k ) = V i ( k ) + R C T s V o ( k − 1 ) 1 + R C T s V_o\left ( k \right )=\frac{V_i\left ( k \right )+\frac{RC}{T_s}V_o\left ( k-1 \right )}{1+\frac{RC}{T_s}} Vo​(k)=1+Ts​RC​Vi​(k)+Ts​RC​Vo​(k−1)​

2.2 算法实现

class RC_filter:
    def __init__(self,sampleFrq,CutFrq):
        self.sampleFrq = sampleFrq
        self.CutFrq = CutFrq
        self.adc_old=0
     
    def LowPassFilter_RC_1order(self,Vi):
        RC = 1.0/2.0/math.pi/self.CutFrq 
        Cof1 = 1/(1+RC * self.sampleFrq)
        Cof2 = RC* self.sampleFrq/(1+RC* self.sampleFrq)
        Vo = Cof1 * Vi + Cof2 * self.adc_old	 	
        self.adc_old = Vo
        return Vo

3 滑动平均滤波

算法实现：

 noise_array =  np.random.normal(0, 400, noise_size)
    
    test_array_mean = [0]*32
    mean_array = []
    for i in range(noise_size):
        test_array_mean[i%32] = noise_array[i]
        mean_array.append(sum(test_array_mean)/32)

4 FFT转换比较

源数据频谱图：
在这里插入图片描述卡尔曼滤波后的频谱
在这里插入图片描述RC滤波后的频谱
在这里插入图片描述从图中可以看出一阶的卡尔曼滤波与RC低通滤波的滤波效果一样
滑动平均滤波后的频谱图：
在这里插入图片描述从图中可以看出，滑动平均滤波，在低频段较之卡尔曼滤波和低通滤波，其频谱得到的幅值是其余二者的数十倍，这是由于求均值时，将部分噪声数据也计算到信号数据中导致的，因此可以看出，滑动平均滤波不能有效得将噪声数据滤掉，不过在工程因为计算简单，浮点运算少，甚至没有，所以得到广泛运用。

5 实现代码

# -*- coding: utf-8 -*-
"""
Created on Fri Feb 15 20:35:39 2019

@author: ASUS
"""

import numpy as np
import matplotlib.pyplot as plt
import math
from scipy.fftpack import fft,ifft
class kalman_filter:
    def __init__(self,Q,R):
        self.Q = Q
        self.R = R
        
        self.P_k_k1 = 1
        self.Kg = 0
        self.P_k1_k1 = 1
        self.x_k_k1 = 0
        self.ADC_OLD_Value = 0
        self.Z_k = 0
        self.kalman_adc_old=0
        
    def kalman(self,ADC_Value):
       
        self.Z_k = ADC_Value
        
        #if (abs(self.kalman_adc_old-ADC_Value)>=60):
            #self.x_k1_k1= ADC_Value*0.382 + self.kalman_adc_old*0.618
        #else:
        self.x_k1_k1 = self.kalman_adc_old;
    
        self.x_k_k1 = self.x_k1_k1
        self.P_k_k1 = self.P_k1_k1 + self.Q
    
        self.Kg = self.P_k_k1/(self.P_k_k1 + self.R)
    
        kalman_adc = self.x_k_k1 + self.Kg * (self.Z_k - self.kalman_adc_old)
        self.P_k1_k1 = (1 - self.Kg)*self.P_k_k1
        self.P_k_k1 = self.P_k1_k1
    
        self.kalman_adc_old = kalman_adc
        
        return kalman_adc

class RC_filter:
    def __init__(self,sampleFrq,CutFrq):
        self.sampleFrq = sampleFrq
        self.CutFrq = CutFrq
        self.adc_old=0
       
        
    def LowPassFilter_RC_1order(self,Vi):
        RC = 1.0/2.0/math.pi/self.CutFrq 
        Cof1 = 1/(1+RC * self.sampleFrq)
        Cof2 = RC* self.sampleFrq/(1+RC* self.sampleFrq)
        Vo = Cof1 * Vi + Cof2 * self.adc_old	 	
        self.adc_old = Vo
        return Vo  

  
if __name__ == '__main__':
    noise_size = 1024
    noise_size_half = 512
    kalman_filter =  kalman_filter(0.01,0.5)
    RC_filter = RC_filter(400,5)
    noise_array =  np.random.normal(0, 2, noise_size)
    
        
    adc_value=[]
    
    for i in range(noise_size):
        adc_value.append(0)

    adc_value_noise = np.array(adc_value) + noise_array
    adc_filter_1=[]
    
    for i in range(noise_size):
        adc_filter_1.append(kalman_filter.kalman(adc_value_noise[i]))
    plt.plot(adc_value_noise,'r')
    plt.plot(adc_filter_1,'b')   

    #plt.plot(test_array)
    plt.show()
    adc_filter_2=[]
    plt.figure(1)
    for i in range(noise_size):
        adc_filter_2.append(RC_filter.LowPassFilter_RC_1order(adc_value_noise[i]))
    
    plt.plot(adc_value_noise,'r-')   
    plt.plot(adc_filter_2,'b')
    #plt.plot(test_array)
    plt.show()
    plt.figure(2)
    
  
    x = range(noise_size)
    y = noise_array
    #x=np.linspace(0,1,1400)      
    #设置需要采样的信号，频率分量有180，390和600
    #y=7*np.sin(2*np.pi*180*x) + 2.8*np.sin(2*np.pi*390*x)+5.1*np.sin(2*np.pi*600*x)
    
    yy=fft(x) #快速傅里叶变换 
    yreal = yy.real # 获取实数部分 
    yimag = yy.imag # 获取虚数部分 
    yf=abs(fft(y)) # 取绝对值 
    yf1=abs(fft(y))/len(x) #归一化处理 
    yf2 = yf1[range(int(len(x)/2))] #由于对称性，只取一半区间 
    xf = np.arange(len(y)) # 频率 
    xf1 = xf
    xf2 = xf[range(int(len(x)/2))] #取一半区间 
    """plt.subplot(221) 
    plt.plot(x[0:noise_size_half],y[0:noise_size_half]) 
    plt.title('Original wave') 
    plt.subplot(222) 
    plt.plot(xf,yf,'r')
    plt.title('FFT of Mixed wave(two sides frequency range)',fontsize=7,color='#7A378B') #注意这里的颜色可以查询颜色代码表 
              
    plt.subplot(223) 
    plt.plot(xf1,yf1,'g')
    plt.title('FFT of Mixed wave(normalization)',fontsize=9,color='r') """
    #plt.subplot(224) 
    plt.plot(xf2,yf2,'b') 
    plt.title('FFT of kalman_filter)',fontsize=10,color='#F08080') 
    plt.show()
    
    x = range(noise_size)
    y = adc_filter_2
    #x=np.linspace(0,1,1400)      
    #设置需要采样的信号，频率分量有180，390和600
    #y=7*np.sin(2*np.pi*180*x) + 2.8*np.sin(2*np.pi*390*x)+5.1*np.sin(2*np.pi*600*x)
    
    yy    = fft(x) #快速傅里叶变换 
    yreal = yy.real # 获取实数部分 
    yimag = yy.imag # 获取虚数部分 
    yf =abs(fft(y)) # 取绝对值 
    yf1=abs(fft(y))/len(x) #归一化处理 
    yf2= yf1[range(int(len(x)/2))] #由于对称性，只取一半区间 
    xf  = np.arange(len(y)) # 频率 
    xf1 = xf
    xf2 = xf[range(int(len(x)/2))] #取一半区间 
    """plt.subplot(221) 
    plt.plot(x[0:noise_size_half],y[0:noise_size_half]) 
    plt.title('Original wave') 
    plt.subplot(222) 
    plt.plot(xf,yf,'r')
    plt.title('FFT of Mixed wave(two sides frequency range)',fontsize=7,color='#7A378B') #注意这里的颜色可以查询颜色代码表 
              
    plt.subplot(223) 
    plt.plot(xf1,yf1,'g')
    plt.title('FFT of Mixed wave(normalization)',fontsize=9,color='r') """
    #plt.subplot(224) 
    plt.plot(xf2,yf2,'b') 
    plt.title('FFT of RC)',fontsize=10,color='#F08080') 
    plt.show()
柳叶吴钩
关注
  • 12
    点赞
  • 踩
  • 78
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
FFT.rar_FFT图像处理_FFT高通滤波_fft_fft 低通滤波_matlab 图像FFT
09-24
编程实现傅里叶高通、低通滤波，对图像进行处理
基于51单片机和FFT算法的音频频谱分析
07-26
在这里为大家分享一个基于51单片机和FFT算法的音频频谱分析程序。
滑动滤波器（Moving Average Filter）
最新发布
hxc2B的博客
03-05 2165
滑动滤波器，也称为移动平均滤波器（Moving Average Filter, MA Filter），是数字信号处理中常用的一种简单有效的滤波器。它通过计算数据点的一组连续样本的平均值来减少随机噪声。滑动滤波器广泛应用于信号处理、数据处理、控制系统等领域，特别是在需要抑制短期波动、突出长期趋势的场合。
matlab_对信号进行频谱分析及滤波频偏估计算法
07-09
matlab_对信号进行频谱分析及滤波频偏估计算法
My function_matlabfft_滑动平均滤波_basicrtr_myfunction_
09-30
对数字信号进行快速傅里叶变换+画图，主要针对肌电信号，包含平均滑动滤波等小程序
fft.rar_labview FFT滤波_labview fft_信号分析
09-23
labview 的傅里叶变换源程序 对输入信号做傅里叶变换后，将输入信号从时域变换的频域中，从而在频域中对输入信号的各种特征进行分析，比如做滤波处理，调制信号等。
数字滤波的滑动平均法和低通滤波法
12-29
讲解　数字滤波的滑动平均法和计算机软件的低通滤波算法
实战低通滤波和卡尔曼滤波
weixin_44020886的博客
05-09 1万+
背景 滤波这个词对任何一个工科生都不会陌生，尤其是做控制或者信号方面的从业者和学生。我们不仅可以通过硬件滤波也可以通过软件设计算法滤波，这些都是非常平常的。滤波的方法有太多了，从简单的均值滤波（其实我认为应该叫状态估计）、中值滤波到能把飞船送上月球的卡尔曼滤波。往往我们都会选择适合工程需求的滤波器对信号进行滤波。那么本次就从理论到实践，从公式推导到算法实现来学习一阶低通滤波器和卡尔曼滤波器。 所需...
【学习笔记】卡尔曼滤波 Kalman Filter
一些笔记
02-21 1476
对卡尔曼滤波算法的系统学习
移动平均滤波器的频率响应定量分析
王尧的技术博客
04-14 1万+
主旨在生理信号处理中，经常有滤除低频信号的需求，例如在分析心率相关问题时排除掉呼吸等因素造成的基线漂移等低频干扰。在这个场景的工程实践中，移动平均滤波器由于设计实现简单，经常被用到。但是移动平均滤波器的频谱分析缺乏类似于FIR或IIR相关定量资料，在工作中时常凭经验确定阶数，严谨性不足。本文试图采用理论分析+数值计算方法给出移动平均滤波器频谱的一般规律，用于指导日常工作代码位置本文中的数值计算使用
各种滤波算法的比较
热门推荐
wangweijjj的博客
06-20 4万+
原文地址：http://www.wtoutiao.com/p/1fe9dPI.html  各种滤波算法的比较 数字滤波(digital filtering):数字滤波(digital filtering):用数字设备，通过一定的算法，对信号进行处理，将某个频段的信号进行滤除，得到新的信号的这一过程叫做数字滤波。数字滤波器可以分为两大部分:即经典滤波器和现代滤
滑动平均滤波在谐波和无功电流检测中的应用
05-29
为改善电网电能质量,提出一种采用滑动平均滤波的无锁相环谐波和无功电流检测方法.该方法通过选择滑动窗宽度,采用移动指针的方法构建滑动平均滤波器,代替传统的低通滤波器以减小检测延时,并采用电网电压矢量的同步参考坐标变换代替锁相环以减小检测误差,利用Matlab/Simulink对负载突变的情况下进行仿真研究.结果表明:与传统检测方法相比,该方法可以更加快速而准确地检测谐波和无功电流,易于数字实现.
FFT.rar_FFT频谱滤波_fft频谱分析图_矩形波的频谱_频谱
07-14
FFT频谱分析 非常不错的一些例子 对于初学者非常有帮助！
VHDL语言实现FFT算法和滤波算法分享-电路方案
04-22
附件内容介绍的是VHDL语言实现的FFT算法，C语言实现的滤波算法。 C语言实现的滤波算法截图: VHDL语言实现的FFT算法部分截图: 附件内容截图:
Matlab：面形低通滤波（均值、中值、FFT低通滤波）
04-29
表面误差处理的常用低通滤波器 MATLAB 实现方式：1.定义一个表面、2.均值滤波、3.中值滤波、4. 二维 FFT低通滤波。 详见文章：https://blog.csdn.net/Loveoptics/article/details/130442082
四种卡尔曼滤波器的性能比较
07-18
四种卡尔曼滤波性能比较: EKF, UKF, SREKF, SRUKF四种常见工程用的滤波算法比较。比较的内容是在视觉测量方面。
JAVA实现对FFT变换的带通滤波算法
04-18
此代码为博客文中代码，博文地址：https://blog.csdn.net/systemlsy/article/details/89373321，主要实现对JAVA的FFT（快速傅里叶变换）并对其进行带通滤波。
ADC采样滤波算法利用卡尔曼滤波算法详解
moge19的专栏
08-16 2万+
1 ADC采样模型 假设ADC采样的值已经为稳定状态，设k+1k+1k+1时刻ADC采样值为Xk+1Xk+1X_{k+1},则kkk时刻ADC采样值为XkXkX_k，假设k+1k+1k+1时刻的采样值为Zk+1Zk+1Z_{k+1}，则有： {Xk+1=Xk,Zk+1=Xk+1+δ,δ为噪声{Xk+1=Xk,Zk+1=Xk+1+δ,δ为噪声 \begin{cases} X_{k+1} = X...
利用Python实现卡尔曼滤波算法
moge19的专栏
09-08 1万+
1、实现代码 Q = 0.00001 R = 0.1 P_k_k1 = 1 Kg = 0 P_k1_k1 = 1 x_k_k1 = 0 ADC_OLD_Value = 0 kalman_adc_old = 0 def kalman(ADC_Value): global kalman_adc_old global P_k1_k1 Z_k = ADC_Value ...
MFCC的滑动平均滤波实现代码
08-05
### 回答1： MFCC滑动平均滤波的实现代码可以通过使用C或C++语言来实现。具体实现方法是首先设置一个滑动窗口大小，然后使用移动平均算法来更新每个MFCC系数值。实现的代码如下： //设置滑动窗口大小 int window_size=10; //初始化统计变量 float sum[13]; for(int i=0;i<13;i++) { sum[i]=0; } //滑动窗口的开始 int start=0; //滑动窗口的结束 int end=window_size; //遍历每一帧 for(int i=0;i<data_length;i++) { //计算滑动窗口的和 for(int j=start;j<end;j++) { for(int k=0;k<13;k++) { sum[k]+=data[j][k]; } } //计算平均值并更新到MFCC系数中 for(int k=0;k<13;k++) { data[i][k]=sum[k]/window_size; sum[k]=0; } //更新滑动窗口 start++; end++; } ### 回答2： MFCC（Mel频率倒谱系数）是一种常用于语音信号处理和声音识别的特征提取方法。在MFCC的计算过程中，通常需要对信号进行滑动平均滤波，以平滑信号的频谱特征。 滑动平均滤波的实现代码如下： ```python def sliding_average_filter(signal, window_size): filtered_signal = [] for i in range(len(signal)): start = max(0, i - window_size // 2) end = min(len(signal), i + window_size // 2 + 1) average = sum(signal[start:end]) / (end - start) filtered_signal.append(average) return filtered_signal # 示例用法 signal = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] window_size = 3 filtered_signal = sliding_average_filter(signal, window_size) print(filtered_signal) ``` 上述代码中的`sliding_average_filter`函数实现了滑动平均滤波的功能。它接受两个参数：`signal`为输入信号，`window_size`为滤波窗口大小。函数会遍历输入信号的每一个点，并计算其前后一定范围内的信号均值作为滤波结果。滤波时，若窗口大小为奇数，则当前点为窗口中心；若窗口大小为偶数，则当前点为窗口右侧一半的起点。 在示例的代码中，输入信号为`[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]`，窗口大小为3。滑动平均滤波后得到的信号为`[2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 6.0]`。 滑动平均滤波可以有效平滑信号的频谱特征，对于MFCC特征提取等应用具有重要意义。根据实际需求，可以调整窗口大小和滤波方式等参数，以得到更好的滤波效果。 ### 回答3： MFCC（Mel频率倒谱系数）是一种常用于语音信号处理的特征提取算法，其核心是通过对语音信号进行傅里叶变换，然后将变换得到的能量谱映射到Mel频率刻度上，最后再对Mel频谱进行倒谱变换得到MFCC系数。 滑动平均滤波可以应用于MFCC特征提取过程中，以平滑特征系数的变化，使其更加稳定。下面是MFCC滑动平均滤波的实现代码： ```python import numpy as np def sliding_average_filter(data, window_size): filtered_data = [] for i in range(len(data)): if i < window_size: # 前几个数据直接添加到结果集中 filtered_data.append(data[i]) else: # 后续数据按窗口大小计算平均值 filtered_data.append(np.mean(data[i-window_size:i])) return filtered_data ``` 在上述代码中，`data`代表输入的MFCC系数数据，`window_size`为滑动窗口的大小。代码首先创建一个空列表`filtered_data`用于保存滤波后的数据，然后通过一个循环遍历输入数据。前`window_size`个数据直接添加到结果集中，然后从第`window_size`个数据开始，每次取窗口大小的数据，通过`np.mean()`函数计算其平均值，并将结果添加到结果集中。 使用以上代码示例，可以对MFCC系数进行滑动平均滤波处理，使其更加平滑和稳定，提高特征提取的效果。需要注意的是，在实际使用中，可以根据需要调整窗口大小以达到最佳滤波效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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