Python滤波

import numpy as np
import matplotlib.pyplot as plt

def limit_filter(data, top=4):
    '''
        限幅滤波法（又称程序判断滤波法）  
        A、方法：  根据经验判断，确定两次采样允许的最大偏差值（设为top）每次检测到新值时判断：如果本次值与上次值之差<=top,则本次值有效  如果本次值与上次值之差>top,则本次值无效,放弃本次值,用上次值代替本次值  
        B、优点：  能有效克服因偶然因素引起的脉冲干扰  
        C、缺点：  无法抑制那种周期性的干扰  平滑度差
    '''
    flag_arr = np.argwhere(data<0)
    temp_data = abs(data)
    for i in range(1, len(temp_data)):
        if abs(temp_data[i] - temp_data[i-1])  > top:
            temp_data[i] = temp_data[i-1]
    temp_data[flag_arr] *= -1
    return temp_data

def median_filter(data, num=3):
    '''
        中位值滤波法  
        A、方法：  连续采样num次（num取奇数）  把num次采样值按大小排列  取中间值为本次有效值  
        B、优点：  能有效克服因偶然因素引起的波动干扰  对温度、液位的变化缓慢的被测参数有良好的滤波效果  
        C、缺点：  对流量、速度等快速变化的参数不宜  
    '''
    data_length = len(data)
    item_num = data_length // num + 1
    padwidth = item_num * num - data_length
    temp_data = np.pad(data, (0, padwidth), 'edge').reshape(item_num, num)
    median_arr = np.median(temp_data, axis=1).reshape(item_num).repeat(num)[:data_length]
    return median_arr


def average_filter(data, num=3):
    '''
        算术平均滤波法  
        A、方法：  连续取num个采样值进行算术平均运算  num值较大时：信号平滑度较高，但灵敏度较低  num值较小时：信号平滑度较低，但灵敏度较高  num值的选取：一般流量，num=12；压力：num=4  
        B、优点：  适用于对一般具有随机干扰的信号进行滤波  这样信号的特点是有一个平均值，信号在某一数值范围附近上下波动  
        C、缺点：  对于测量速度较慢或要求数据计算速度较快的实时控制不适用  比较浪费RAM  
    '''
    data_length = len(data)
    item_num = data_length // num + 1
    padwidth = item_num * num - data_length
    temp_data = np.pad(data, (0, padwidth), 'edge').reshape(item_num, num)
    median_arr = np.mean(temp_data, axis=1).reshape(item_num).repeat(num)[:data_length]
    return median_arr

def dynamic_average_filter(data, num=3):
    '''
        递推平均滤波法（又称滑动平均滤波法）  
        A、方法：  把连续取num个采样值看成一个队列  队列的长度固定为num  每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据.(先进先出原则)  把队列中的num个数据进行算术平均运算,就可获得新的滤波结果  num值的选取：流量，num=12；压力：num=4；液面，num=4~12；温度，num=1~4  
        B、优点：  对周期性干扰有良好的抑制作用，平滑度高  适用于高频振荡的系统  
        C、缺点：  灵敏度低  对偶然出现的脉冲性干扰的抑制作用较差  不易消除由于脉冲干扰所引起的采样值偏差  不适用于脉冲干扰比较严重的场合  比较浪费RAM  
    '''
    temp_data = data.copy()
    for i in range(len(temp_data)):
        temp_data[i] = np.mean(temp_data[i:i+num])
    return temp_data


def median_average_filter(data, num=3):
    '''
        中位值平均滤波法（又称防脉冲干扰平均滤波法）  
        A、方法：  相当于“中位值滤波法”+“算术平均滤波法”  连续采样num个数据，去掉一个最大值和一个最小值  然后计算num-2个数据的算术平均值  num值的选取：3~14  
        B、优点：  融合了两种滤波法的优点  对于偶然出现的脉冲性干扰，可消除由于脉冲干扰所引起的采样值偏差  
        C、缺点：  测量速度较慢，和算术平均滤波法一样  比较浪费RAM  
    '''
    data_length = len(data)
    item_num = data_length // num + 1
    padwidth = item_num * num - data_length
    temp_data = np.pad(data, (0, padwidth), 'edge').reshape(item_num, num)
    temp_data = np.sort(temp_data, axis=1)[:, 1:-1]
    median_arr = np.mean(temp_data, axis=1).reshape(item_num).repeat(num)[:data_length]
    return median_arr

def dynamic_limit_average_filter(data, num=3, top=4):
    '''
        限幅平均滤波法  
        A、方法：  相当于“限幅滤波法”+“递推平均滤波法”  每次采样到的新数据先进行限幅处理，  再送入队列进行递推平均滤波处理  
        B、优点：  融合了两种滤波法的优点  对于偶然出现的脉冲性干扰，可消除由于脉冲干扰所引起的采样值偏差  
        C、缺点：  比较浪费RAM  
    '''
    flag_arr = np.argwhere(data<0)
    temp_data = abs(data)
    for i in range(1, len(temp_data)):
        if abs(temp_data[i] - temp_data[i-1])  > top:
            temp_data[i] = temp_data[i-1]
        temp_data[i] = np.mean(temp_data[i:i+num])

    temp_data[flag_arr] *= -1
    return temp_data


def lag_filter(data, rate=0.3):
    '''
        一阶滞后滤波法  
        A、方法：  取a=0~1  本次滤波结果=（1-a）*本次采样值+a*上次滤波结果  
        B、优点：  对周期性干扰具有良好的抑制作用  适用于波动频率较高的场合  
        C、缺点：  相位滞后，灵敏度低  滞后程度取决于a值大小  不能消除滤波频率高于采样频率的1/2的干扰信号  
    '''
    temp_data = data.copy()
    for i in range(1, len(temp_data)):
        temp_data[i] = (1-rate) * temp_data[i] + rate * temp_data[i-1]
    return temp_data

def dynamic_weight_average_filter(data, num):
    '''
        加权递推平均滤波法  
        A、方法：  是对递推平均滤波法的改进，即不同时刻的数据加以不同的权  通常是，越接近现时刻的数据，权取得越大。  给予新采样值的权系数越大，则灵敏度越高，但信号平滑度越低  
        B、优点：  适用于有较大纯滞后时间常数的对象  和采样周期较短的系统  
        C、缺点：  对于纯滞后时间常数较小，采样周期较长，变化缓慢的信号  不能迅速反应系统当前所受干扰的严重程度，滤波效果差 
    '''
    pass

def test3():
    '''
        消抖滤波法  
        A、方法：  设置一个滤波计数器  将每次采样值与当前有效值比较：  如果采样值＝当前有效值，则计数器清零  如果采样值<>当前有效值，则计数器+1，并判断计数器是否>=上限N(溢出)  如果计数器溢出,则将本次值替换当前有效值,并清计数器  
        B、优点：  对于变化缓慢的被测参数有较好的滤波效果,  可避免在临界值附近控制器的反复开/关跳动或显示器上数值抖动  
        C、缺点：  对于快速变化的参数不宜  如果在计数器溢出的那一次采样到的值恰好是干扰值,则会将干扰值当作有效值导  入系统 
    '''
    pass


def test4():
    '''
        限幅消抖滤波法  
        A、方法：  相当于“限幅滤波法”+“消抖滤波法”  先限幅,后消抖  
        B、优点：  继承了“限幅”和“消抖”的优点  改进了“消抖滤波法”中的某些缺陷,避免将干扰值导入系统  
        C、缺点：  对于快速变化的参数不宜 
    '''
    pass




if __name__ == '__main__':
    a =  np.sin(np.linspace(1, 50, 200)*np.pi) * 2
    Q = np.random.rand(200)
    Q[12] = 5
    Q[66] = 5
    Q[77] = -5
    Q[78] = -4
    Q[79] = -5
    a = a + Q
    T = np.array(range(len(a)))
    from scipy.interpolate import spline
    xnew = np.linspace(T.min(),T.max(),len(a)*3) #300 represents number of points to make between T.min and T.max
    power_smooth = spline(T,a,xnew)

    plt.plot(xnew, power_smooth)
    plt.ylim(-5,5)
    # 中位值滤波
    # median_data = median_filter(a, 3)
    # plt.title("media:3")
    # plt.plot(median_data)

    # 算术平均值滤波
    # average_data = average_filter(a, 3)
    # plt.title("average:3")
    # plt.plot(average_data)

    # 滑动平均值滤波
    # dynamic_average_data = dynamic_average_filter(a, 3)
    # plt.title("dynamic_average:3")
    # plt.plot(dynamic_average_data)

    # 限幅平均滤波
    # dynamic_limit_average_data = dynamic_limit_average_filter(a, 3, 4)
    # plt.title("limit:4 average:3")
    # plt.plot(dynamic_limit_average_data)

    # # 中位值平均滤波
    median_average_data = median_average_filter(a, 3)
    plt.title("median_average:3")
    plt.plot(median_average_data)

    # 限幅滤波
    # limited_data = limit_filter(a, 4)
    # plt.title("limit:4")
    # plt.plot(limited_data)

    # 一阶滞后滤波
    # lag_data = lag_filter(a, 0.3)
    # plt.title("lag:0.3")
    # plt.plot(lag_data)


    plt.show()