scipy.signal.resample_poly¶
- scipy.signal.resample_poly(x, up, down, axis=0, window=('kaiser', 5.0), padtype='constant', cval=None)[源代码]¶
重采样 x 沿给定轴使用多相滤波。
该信号 x 被因子进行了上采样 up ,应用零相位低通FIR过滤,然后按该因子进行下采样 down 。生成的采样率为
up / down
乘以原始采样率。默认情况下,在滤波步骤期间,信号边界以外的值被假定为零。- 参数
- xarray_like
要重新采样的数据。
- up集成
上采样因子。
- down集成
下采样系数。
- axis整型,可选
的轴线 x 那是重新取样的。默认值为0。
- window字符串、元组或array_like,可选
用于设计低通过滤的所需窗口,或要使用的FIR过滤系数。有关详细信息,请参阅下面的内容。
- padtype字符串,可选
constant , line , mean , median , maximum , minimum 或支持的任何其他信号扩展模式
scipy.signal.upfirdn
。更改边界以外的值的假设。如果 constant ,假设是 cval (默认值为零)。如果 line 假定延续由第一个点和最后一个点定义的线性趋势。 mean , median , maximum 和 minimum 按照中的方式工作 np.pad 并且假设超出边界的值分别是阵列沿轴的平均值、中值、最大值或最小值。1.4.0 新版功能.
- cval浮动,可选
在以下情况下要使用的值 padtype='constant' 。默认值为零。
1.4.0 新版功能.
- 退货
- resampled_x阵列
重新采样的数组。
注意事项
这种多相方法可能比傅立叶方法更快。
scipy.signal.resample
当样本数较大且质数时,或当样本数较大且 up 和 down 有着巨大的、最伟大的公分母。使用的冷杉过滤的长度将取决于max(up, down) // gcd(up, down)
,多相滤波过程中的操作次数将取决于过滤长度和 down (请参阅scipy.signal.upfirdn
有关详细信息,请参见)。这一论点 window 指定FIR低通过滤设计。
如果 window 是一个类似数组的数组,假设它是FIR过滤系数。请注意,FIR过滤是在上采样步骤之后应用的,因此它应该设计为以比原始频率高1倍的采样频率对信号进行操作 up//gcd(up, down) 。此函数的输出将相对于此数组居中,因此,如果需要零相位过滤(通常情况下),最好传递具有奇数个样本的对称过滤。
对于任何其他类型的 window 、函数
scipy.signal.get_window
和scipy.signal.firwin
被调用以生成适当的过滤系数。返回向量的第一个样本与输入向量的第一个样本相同。样本之间的间距从
dx
至dx * down / float(up)
。示例
默认情况下,对于FFT方法,重采样数据的末尾上升以满足下一个周期的第一个样本,而对于多相方法,重采样数据的末尾变得更接近于零:
>>> from scipy import signal
>>> x = np.linspace(0, 10, 20, endpoint=False) >>> y = np.cos(-x**2/6.0) >>> f_fft = signal.resample(y, 100) >>> f_poly = signal.resample_poly(y, 100, 20) >>> xnew = np.linspace(0, 10, 100, endpoint=False)
>>> import matplotlib.pyplot as plt >>> plt.plot(xnew, f_fft, 'b.-', xnew, f_poly, 'r.-') >>> plt.plot(x, y, 'ko-') >>> plt.plot(10, y[0], 'bo', 10, 0., 'ro') # boundaries >>> plt.legend(['resample', 'resamp_poly', 'data'], loc='best') >>> plt.show()
可以使用焊盘类型选项更改此默认行为:
>>> import numpy as np >>> from scipy import signal
>>> N = 5 >>> x = np.linspace(0, 1, N, endpoint=False) >>> y = 2 + x**2 - 1.7*np.sin(x) + .2*np.cos(11*x) >>> y2 = 1 + x**3 + 0.1*np.sin(x) + .1*np.cos(11*x) >>> Y = np.stack([y, y2], axis=-1) >>> up = 4 >>> xr = np.linspace(0, 1, N*up, endpoint=False)
>>> y2 = signal.resample_poly(Y, up, 1, padtype='constant') >>> y3 = signal.resample_poly(Y, up, 1, padtype='mean') >>> y4 = signal.resample_poly(Y, up, 1, padtype='line')
>>> import matplotlib.pyplot as plt >>> for i in [0,1]: ... plt.figure() ... plt.plot(xr, y4[:,i], 'g.', label='line') ... plt.plot(xr, y3[:,i], 'y.', label='mean') ... plt.plot(xr, y2[:,i], 'r.', label='constant') ... plt.plot(x, Y[:,i], 'k-') ... plt.legend() >>> plt.show()