所以，在我最后兩個問題之后，我來談談我的實際問題。也許有人在我的理論程序中發現了錯誤，或者我在編程上做了些錯事。在

我使用scipy.signal(使用firwin函數)在Python中實現帶通濾波器。我的原始信號包括兩個頻率(w_1=600Hz，w_2=800Hz)。可能會有更多的頻率所以我需要一個帶通濾波器。在

在這個例子中，我想過濾掉大約600hz的頻帶，所以我取了600+/-20Hz作為截止頻率。當我實現濾波器并使用lfilter在時域中再現信號時，正確的頻率被過濾了。在

為了消除相移，我用scipy.signal.freqz繪制了頻率響應圖，返回值為firwin的h作為分子，1作為預定義的denumerator。

如freqz文檔中所述，我還繪制了相位(=doc中的角度)，并且能夠查看頻率響應圖，以獲得濾波信號頻率600hz的相移。在

所以相位延遲t

tΒp=—(Tetha(w))/(w)

不幸的是，當我把這個相位延遲加到濾波信號的時間數據中時，它并沒有得到與原始600hz信號相同的相位。在

我加了密碼。奇怪的是，在消除部分代碼以保持最小值之前，過濾后的信號以正確的振幅開始-現在情況更糟了。在################################################################################

#

# Filtering test

#

################################################################################

#

from math import *

import numpy as np

from scipy import signal

from scipy.signal import firwin, lfilter, lti

from scipy.signal import freqz

import matplotlib.pyplot as plt

import matplotlib.colors as colors

################################################################################

# Nb of frequencies in the original signal

nfrq = 2

F = [60,80]

################################################################################

# Sampling:

nitper = 16

nper = 50.

fmin = np.min(F)

fmax = np.max(F)

T0 = 1./fmin

dt = 1./fmax/nitper

#sampling frequency

fs = 1./dt

nyq_rate= fs/2

nitpermin = nitper*fmax/fmin

Nit = int(nper*nitpermin+1)

tps = np.linspace(0.,nper*T0,Nit)

dtf = fs/Nit

################################################################################

# Build analytic signal

# s = completeSignal(F,Nit,tps)

scomplete = np.zeros((Nit))

omg1 = 2.*pi*F[0]

omg2 = 2.*pi*F[1]

scomplete=scomplete+np.sin(omg1*tps)+np.sin(omg2*tps)

#ssingle = singleSignals(nfrq,F,Nit,tps)

ssingle=np.zeros((nfrq,Nit))

ssingle[0,:]=ssingle[0,:]+np.sin(omg1*tps)

ssingle[1,:]=ssingle[0,:]+np.sin(omg2*tps)

################################################################################

## Construction of the desired bandpass filter

lowcut = (60-2) # desired cutoff frequencies

highcut = (60+2)

ntaps = 451 # the higher and closer the signal frequencies, the more taps for the filter are required

taps_hamming = firwin(ntaps,[lowcut/nyq_rate, highcut/nyq_rate], pass_zero=False)

# Use lfilter to get the filtered signal

filtered_signal = lfilter(taps_hamming, 1, scomplete)

# The phase delay of the filtered signal

delay = ((ntaps-1)/2)/fs

plt.figure(1, figsize=(12, 9))

# Plot the signals

plt.plot(tps, scomplete,label="Original signal with %s freq" % nfrq)

plt.plot(tps-delay, filtered_signal,label="Filtered signal %s freq " % F[0])

plt.plot(tps, ssingle[0,:],label="original signal %s Hz" % F[0])

plt.grid(True)

plt.legend()

plt.xlim(0,1)

plt.xlabel('Time (s)')

plt.ylabel('Amplitude')

# Plot the frequency responses of the filter.

plt.figure(2, figsize=(12, 9))

plt.clf()

# First plot the desired ideal response as a green(ish) rectangle.

rect = plt.Rectangle((lowcut, 0), highcut - lowcut, 5.0,facecolor="#60ff60", alpha=0.2,label="ideal filter")

plt.gca().add_patch(rect)

# actual filter

w, h = freqz(taps_hamming, 1, worN=1000)

plt.plot((fs * 0.5 / np.pi) * w, abs(h), label="designed rectangular window filter")

plt.xlim(0,2*F[1])

plt.ylim(0, 1)

plt.grid(True)

plt.legend()

plt.xlabel('Frequency (Hz)')

plt.ylabel('Gain')

plt.title('Frequency response of FIR filter, %d taps' % ntaps)

plt.show()'

總結

以上是生活随笔為你收集整理的python产生fir滤波器_Python中使用FIR滤波器firwin后信号的相移的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。