這篇文章將為大家詳細(xì)講解有關(guān)Python基于FIR如何實(shí)現(xiàn)Hilbert濾波器求信號包絡(luò)，小編覺得挺實(shí)用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。
在通信領(lǐng)域，可以通過希爾伯特變換求解解析信號，進(jìn)而求解窄帶信號的包絡(luò)。
實(shí)現(xiàn)希爾伯特變換有兩種方法，一種是對信號做FFT，單后只保留單邊頻譜，在做IFFT，我們稱之為頻域方法；另一種是基于FIR根據(jù)傳遞函數(shù)設(shè)計一個希爾伯特濾波器，我們稱之為時域方法。
重慶分公司
重慶分公司
# -*- coding:utf8 -*-
# @TIME : 2019/4/11 18:30
# @Author : SuHao
# @File : hilberfilter.py
import scipy.signal as signal
import numpy as np
import librosa as lib
import matplotlib.pyplot as plt
import time
# from preprocess_filter import *
# 讀取音頻文件
ex = '..\\..\\數(shù)據(jù)集2\\pre2012\\bflute\\BassFlute.ff.C5B5.aiff'
time_series, fs = lib.load(ex, sr=None, mono=True, res_type='kaiser_best')
# 生成一個chirp信號
# duration = 2.0
# fs = 400.0
# samples = int(fs*duration)
# t = np.arange(samples) / fs
# time_series = signal.chirp(t, 20.0, t[-1], 100.0)
# time_series *= (1.0 + 0.5 * np.sin(2.0*np.pi*3.0*t) )
def hilbert_filter(x, fs, order=201, pic=None):
'''
:param x: 輸入信號
:param fs: 信號采樣頻率
:param order: 希爾伯特濾波器階數(shù)
:param pic: 是否繪圖，bool
:return: 包絡(luò)信號
'''
co = [2*np.sin(np.pi*n/2)**2/np.pi/n for n in range(1, order+1)]
co1 = [2*np.sin(np.pi*n/2)**2/np.pi/n for n in range(-order, 0)]
co = co1+[0]+ co
# out = signal.filtfilt(b=co, a=1, x=x, padlen=int((order-1)/2))
out = signal.convolve(x, co, mode='same', method='direct')
envolope = np.sqrt(out**2 + x**2)
if pic is not None:
w, h = signal.freqz(b=co, a=1, worN=2048, whole=False, plot=None, fs=2*np.pi)
fig, ax1 = plt.subplots()
ax1.set_title('hilbert filter frequency response')
ax1.plot(w, 20 * np.log10(abs(h)), 'b')
ax1.set_ylabel('Amplitude [dB]', color='b')
ax1.set_xlabel('Frequency [rad/sample]')
ax2 = ax1.twinx()
angles = np.unwrap(np.angle(h))
ax2.plot(w, angles, 'g')
ax2.set_ylabel('Angle (radians)', color='g')
ax2.grid()
ax2.axis('tight')
# plt.savefig(pic + 'hilbert_filter.jpg')
plt.show()
# plt.clf()
# plt.close()
return envolope
start = time.time()
env0 = hilbert_filter(time_series, fs, 81, pic=True)
end = time.time()
a = end-start
print(a)
plt.figure()
ax1 = plt.subplot(211)
plt.plot(time_series)
ax2 = plt.subplot(212)
plt.plot(env0)
plt.xlabel('time')
plt.ylabel('mag')
plt.title('envolope of music by FIR \n time:%.3f'%a)
plt.tight_layout()
start = time.time()
# 使用scipy庫函數(shù)實(shí)現(xiàn)希爾伯特變換
env = np.abs(signal.hilbert(time_series))
end = time.time()
a = end-start
print(a)
plt.figure()
ax1 = plt.subplot(211)
plt.plot(time_series)
ax2 = plt.subplot(212)
plt.plot(env)
plt.xlabel('time')
plt.ylabel('mag')
plt.title('envolope of music by scipy \n time:%.3f'%a)
plt.tight_layout()
plt.show()使用chirp信號對兩種方法進(jìn)行比較
FIR濾波器的頻率響應(yīng)
使用音頻信號對兩種方法進(jìn)行比較
由于音頻信號時間較長，采樣率較高，因此離散信號序列很長。使用頻域方法做FFT和IFFT要耗費(fèi)比較長的時間；然而使用時域方法只是和濾波器沖擊響應(yīng)做卷積，因此運(yùn)算速度比較快。結(jié)果對比如下：
頻域方法結(jié)果
時域方法結(jié)果
由此看出，時域方法耗費(fèi)時間要遠(yuǎn)小于頻域方法。
1、云計算，典型應(yīng)用OpenStack。2、WEB前端開發(fā)，眾多大型網(wǎng)站均為Python開發(fā)。3.人工智能應(yīng)用，基于大數(shù)據(jù)分析和深度學(xué)習(xí)而發(fā)展出來的人工智能本質(zhì)上已經(jīng)無法離開python。4、系統(tǒng)運(yùn)維工程項目，自動化運(yùn)維的標(biāo)配就是python+Django/flask。5、金融理財分析，量化交易，金融分析。6、大數(shù)據(jù)分析。
關(guān)于“Python基于FIR如何實(shí)現(xiàn)Hilbert濾波器求信號包絡(luò)”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，使各位可以學(xué)到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
