Python - выполнение FFT игнорирует смещение постоянного тока от микрофона MEMS - PullRequest
Новая
       17

Python - выполнение FFT игнорирует смещение постоянного тока от микрофона MEMS

0 голосов
/ 13 ноября 2018

Я пытаюсь выполнить БПФ файла WAV, который хорошо получается, но на моем графике я вижу огромную амплитуду при 0 Гц.Я предположил, что это смещение постоянного тока.Моя цель - игнорировать это смещение постоянного тока в моем графике или непосредственно в коде, потому что это мешает мне видеть реальные шумы.В моем примере я записываю шум около 6,1 кГц, я могу ясно видеть его, если я увеличиваю в этой точке, но в общем виде он не наблюдается из-за амплитуды 0 Гц.Если вы скажете мне, как можно игнорировать 0 Гц (или смещение постоянного тока), я буду рад.

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from __future__ import print_function
import scipy.io.wavfile as wavfile
import scipy
import scipy.fftpack
import numpy as np
from matplotlib import pyplot as plt

fs_rate, signal = wavfile.read("file.wav")
print ("Frequency sampling", fs_rate)
l_audio = len(signal.shape)
print ("Channels", l_audio)
if l_audio == 2:
    signal = signal.sum(axis=1) / 2
N = signal.shape[0]
print ("Complete Samplings N", N)
secs = N / float(fs_rate)
print ("secs", secs)
Ts = 1.0/fs_rate # sampling interval in time
print ("Timestep between samples Ts", Ts)
t = scipy.arange(0, secs, Ts) # time vector as scipy arange field / numpy.ndarray
FFT = abs(scipy.fft(signal))
FFT_side = FFT[range(N/4)] # one side FFT range
freqs = scipy.fftpack.fftfreq(signal.size, t[1]-t[0])
fft_freqs = np.array(freqs)
freqs_side = freqs[range(N/4)] # one side frequency range
fft_freqs_side = np.array(freqs_side)

print (abs(FFT_side))

plt.subplot(211)
p1 = plt.plot(t, signal, "g") # plotting the signal
plt.xlabel('Time')
plt.ylabel('Amplitude')

plt.subplot(212)
p2 = plt.plot(freqs_side, abs(FFT_side), "b") # plotting the positive fft spectrum
plt.xlabel('Frequency (Hz)')
plt.ylabel('Count single-sided')
plt.show()

zoomed plot normal plot

1 Ответ

0 голосов
/ 13 ноября 2018

Большое смещение часто свидетельствует о неправильной предварительной обработке сигнала. Общие подходы включают в себя унижение данных и удаление данных с помощью линейной регрессии. Вот пример 

from matplotlib.pyplot import *

from numpy import *

dt = 1/1000
T  = 1
t  = arange(0, T, dt)

n = t.size
y = sin(pi * t * 3)   + 39  + 3 * t + random.rand(n)

from scipy import optimize
# subtract drift
lin = lambda x, a, b : a * x + b 
coeff, _ = optimize.curve_fit(lin,t, y)
dmy= y- coeff[0] * t + coeff[0]

# compute power
fy = abs(fft.fft(y))[:n//2] ** 2
fyn= abs(fft.fft(dmy - dmy.mean()))[:n//2] ** 2 # NB demeaned

freq= linspace(0, T / dt, n//2) # get freqs
fig, ax = subplots(2, sharex = 'all')
for axi, data, label in zip(ax, [fy,fyn], 'raw processed'.split()):
    axi.plot(freq, data)
    axi.set(xlim = (0, 10), title = label)
axi.set_xlabel('freq')
subplots_adjust(hspace = .5)

enter image description here

...