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()