时间戳

首页 > 解决方案 > 使用 scipy 对截止频率进行建模

python - 使用 scipy 对截止频率进行建模

问题描述

我正在努力为扬声器编写交叉滤波器。此函数旨在创建一个虚拟输入信号，然后可以对其进行滤波，但是当我在调用该函数时更改频率和顺序时，它将不再在图表上正确绘制滤波后的频率。

在 scipy 网站上，他们说建议在过滤时使用二阶部分格式，以避免传递函数（ba）格式出现数字错误，但我现在不确定这是最好的解决方案，或者我在这里忽略了一个简单的错误.

看：

sosfilt：https ://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.sosfilt.html#scipy.signal.sosfilt

黄油： https ://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.butter.html#scipy.signal.butter

更新 - 这似乎发生在更高的频率（我使用 3000 Hz 截止）与 .butter、.sosfilt 和 .irrfilter、.lfilter 命令

from scipy.signal import butter, sosfilt
import matplotlib.pyplot as plt
import numpy as np
def demo(f_s=1000,fc=15,fmin=10,fmax=20,n=10,nf=2):
    # demo filtered signal
    t = np.linspace(0,(15/fc),f_s,False) # sample size should give roughly ten peaks
    # generate signal
    inputf = np.linspace(fmin,fmax,nf) 
    # starts off with only the two frequencies,
    # can add more to check how the filter will respond
    sig = 0   
    for i in inputf:
        sig += np.sin(2*np.pi*i*t)
    # returns the filtered signal over a given time
    fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True)
    ax1.plot(t, sig)
    ax1.set_title('Initail sinusoidial signal from {} to {} Hz'.format(fmin,fmax))
    ax1.axis([0, (15/fc), -nf, nf])
    sosh = butter(n, fc, 'hp', fs=f_s, output='sos') #highpass
    sosl = butter(n, fc, 'lp', fs=f_s, output='sos') #lowpass
    filteredh = sosfilt(sosh, sig) #filtered high-pass
    filteredl = sosfilt(sosl, sig) #filtered low-pass
    ax2.plot(t, filteredh) # visualised high-pass signal
    ax2.plot(t, filteredl) # visualised low-pass signal
    ax2.set_title('After {} Hz Cut-off (high and low)-pass filter'.format(fc))
    ax2.axis([0, (15/fc), -nf, nf])
    ax2.set_xlabel('Time [seconds]')
    plt.tight_layout()
    plt.show()
demo()

这是代码需要为未预设的值匹配的过滤器响应

这就是我目前得到的

标签： pythonscipybutterworth

解决方案

棘手。我认为您对时基有混淆。f_s 应该是采样频率，并且您生成 f_s 样本，它总是一整秒。但是当 fc=3000 时，您只将 X 轴显示为 0 到 0.005 秒。此外，当 fc=15 时，您会生成f_s从 0 到 1 的时间样本。但是当 fc=3000 时，您的时基只会从 0 到 1/200 运行，即使您应该生成一整秒的数据。

我将时基更改为

    t = np.linspace(0,1,f_s,False)

我认为它更接近你的期望。

推荐阅读