python兼职平台信号处理_Python 中 FIR 数字滤波器设计与时序信号处理——信号与系统大作业...

概要

FIR 即有限脉冲响应(finite impulse response)，它对应着无限脉冲响应。一般在现实生活中，由于数字方法处理信号时，不可能对无限长的信号进行测量和运算，而是取其有限的时间片段进行分析。能够做到的是用窗函数截断出近似的信号进行处理，或者对信号时间片段进行周期延拓等等方法。

FIR滤波器的特点：FIR 滤波器可以得到严格的线性相位,但它的传递函数的极点固定在原点,只能通过改变零点位置来改变性能

FIR 滤波器的设计方法主要有三种：窗函数法、频率抽样法和切比雪夫逼近方法。窗函数法较为简单易行，本次作业就窗函数设计的角度展开。

窗函数的“窗”指的是频谱上窗型的频率响应，在频域上有限宽度的窗，经过离散傅里叶反变换后，在时域上就是无限长的序列。不同形状的窗函数的滤波性能也不同，不仅取决于级数，还与因果与非因果等因素有关。

作业中的代码和演示在 Jupyter Notebook 中完成。

In this project, with some previous Python programming experiences, I basically learned:

How to complete basic tasks of data processing with fundamental python packages. (numpy, scipy, etc.)

How to design digital FIR filters with different module of FIRs.

The difference between 2 methods of signal filtering encapsuled within scipy.signal package.

How to read, extract and process data from wfdb-python package, which is an open source ECG dataset.

本编

首先调用所需的 Python 库：

import numpy as np

import scipy.signal as signal

import matplotlib.pyplot as plt

import wfdb

from matplotlib.font_manager import FontProperties

myfont = FontProperties(fname=r'C:/Windows/Fonts/msyh.ttf')

# set default size of plots

plt.rcParams['figure.figsize'] = (15, 4)

理想窗函数滤波器

理想窗函数的频响如图，频谱在通带和阻带之间直接截断，没有过渡带，如果是一个非因果的双边滤波器，则他的时域响应是一个离散的升余弦函数：

$$h_{ideal}[n] = \frac{\sin(2 \pi f_c)}{\pi n} = 2f_c sinc(2f_c n)$$

而一个因果的单边理想窗函数 LPF 的频响示意图如下：

接下来用理论的时域响应函数通过FFT得到因果和非因果窗函数各自的频响：

#one side signal (karma)

def sinc_n(M, fc):

return 2 * fc * np.sinc(2 * fc * np.arange(0, M, 1.0))

#two side signal (non-karma)

def sincdouble_n(M, fc):

return 2 * fc * np.sinc(2 * fc * np.arange(-M, M, 1.0))

def sinc_freqz(b, title, semilogx = False, showpart = False):

'''

calculate Z transform.

Cut-out in time domain signal cause side lobes in Frequency Responce'''

w, h = signal.freqz(b)

h_dB = 20 * np.log10(abs(h))

f = w / (np.pi) #regularize frequncy to be between 0 and 1

plt.rcParams['figure.figsize'] = (15, 4)

if showpart == False: plt.subplot(122)

# select plot mode: log space or linear space

if semilogx == True:

plt.semilogx(f, h_dB)

else:

plt.plot(f, h_dB)

plt.plot([0, 1], [-21, -21], 'k--', LineWidth = 1.0)

plt.text(0.26, -21, 'MSB of sinc double = -21 dB', fontdict={'size': 16})

plt.xlabel('$\omega$')

plt.ylabel('$H (dB)$')

# if compare between different sample number

if showpart == False: