Различия

Показаны различия между двумя версиями страницы.

--- calc:math [2021/03/18 14:36]
root
+++ calc:math [2024/05/28 11:49] (текущий)
root
@@ Строка 140: / Строка 140: @@
 ===== Сглаживание апериодического сигнала =====
-==== Подготовка данных ====
 <sxh python>
 import numpy as np
+import matplotlib.pyplot as plt
-# Исходный зашумленный сигнал
+a = np.r_[np.arange(0,30,1),np.zeros((40,))+30,np.arange(30,60,1)]
-rys = np.array(...)
-# Окно сглаживания
+plt.plot(a)
-window_len = 45
-# Формируем полуокна для предотвращения краевых эффектов
-lead_0 = rys[0]
-lead = rys[window_len//2-1:0:-1]
-tail_0 = rys[-1]
-tail = rys[-2:-window_len//2-2:-1]
-</sxh>
-</div><div slide>
-==== Сглаживание ====
-<sxh python>
-# Дополняем ряд данных полуокнами как четными функциями
+noise_a = a + np.random.random_sample(100)*16-8
-ds = np.r_[lead, rys , tail]
-# Дополняем ряд данных полуокнами как нечетными функциями
+plt.plot(noise_a)
-ds = np.r_[2*lead_0-lead, rys , 2*tail_0-tail]
-# Выбираем оконную функцию
+def smooth(data, window_len = 10, tails = "odd"):
-w = np.hanning(window_len)
+    lead_0 = data[0]
+    lead = data[window_len//2-1:0:-1]
+    tail_0 = data[-1]
+    tail = data[-2:-window_len//2-2:-1]
+    if tails == "odd":
+        ds = np.r_[2*lead_0-lead, data , 2*tail_0-tail]
+    else:
+        ds = np.r_[lead, data , tail]
+    w = np.hanning(window_len)
+    return np.convolve(w/w.sum(), ds, mode='valid')
-# Выполняем свертку
+plt.plot(smooth(noise_a, 40, tails = "odd"))
-rzlt = np.convolve(w/w.sum(), ds, mode='valid')
 </sxh>
@@ Строка 212: / Строка 202: @@
 <sxh python>
 from scipy.interpolate import RegularGridInterpolator
+import numpy as np
+import matplotlib.pyplot as plt
 def func(x, y):
@@ Строка 227: / Строка 219: @@
 #Нерегулярная сетка
-xs = (5 - (-5)) * np.random.random_sample(20) + (-5)
+xs = np.random.uniform(-5, 5, 50)
-ys = (2 - (-2)) * np.random.random_sample(20) + (-2)
+ys = np.random.uniform(-2, 2, 50)
 #Значение в точках
 values = func(xs, ys)
+# Линейная интерполяция на нерегулярной сетке
+baz = scipy.interpolate.LinearNDInterpolator(np.rollaxis(np.array([xs,ys]), 1), values)
+plt.imshow(baz((grid_x, grid_y)), extent=[-5,5,-2,2], origin='lower')
 # Значения на регулярной сетке
 data = scipy.interpolate.griddata(np.rollaxis(np.array([xs,ys]), 1), values, (grid_x, grid_y))
 # Интерполяция
 foo = RegularGridInterpolator((xi,yi),data)
-func(-0.5,1) # 1.0
+# точки
+plt.scatter(xs, ys)
+# исходное поле
+plt.imshow(func(grid_x, grid_y), extent=[-5,5,-2,2], origin='lower')
+# полученное поле на регулярной сетке
+plt.imshow(data, extent=[-5,5,-2,2], origin='lower')
-foo([-0.5,1])
+# результат интерполяции
+plt.imshow(foo((grid_x, grid_y)), extent=[-5,5,-2,2], origin='lower')
 </sxh>