python产生fir滤波器_Python 基于FIR实现Hilbert滤波器求信号包络详解

拼搏现实的明天。 2022-10-31 13:53 388阅读 0赞

在通信领域，可以通过希尔伯特变换求解解析信号，进而求解窄带信号的包络。

实现希尔伯特变换有两种方法，一种是对信号做FFT，单后只保留单边频谱，在做IFFT，我们称之为频域方法；另一种是基于FIR根据传递函数设计一个希尔伯特滤波器，我们称之为时域方法。

\# -\*- 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 \*

\# 读取音频文件

ex = '..\\\\..\\\\数据集2\\\\pre2012\\\\bflute\\\\BassFlute.ff.C5B5.aiff'

time\_series, fs = lib.load(ex, sr=None, mono=True, res\_type='kaiser\_best')

\# 生成一个chirp信号

\# 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: 输入信号

:param fs: 信号采样频率

:param order: 希尔伯特滤波器阶数

:param pic: 是否绘图，bool

:return: 包络信号

'''

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库函数实现希尔伯特变换

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信号对两种方法进行比较

FIR滤波器的频率响应

![3ca04dd4236564fe8f1466d24d2907a9.png][]

使用音频信号对两种方法进行比较

由于音频信号时间较长，采样率较高，因此离散信号序列很长。使用频域方法做FFT和IFFT要耗费比较长的时间；然而使用时域方法只是和滤波器冲击响应做卷积，因此运算速度比较快。结果对比如下：

频域方法结果

![d6153499b7912e784d8dcd6cca55118c.png][]

时域方法结果

![2be6fbb92206f33383b34f3cb5527cdc.png][]

由此看出，时域方法耗费时间要远小于频域方法。

以上这篇Python 基于FIR实现Hilbert滤波器求信号包络详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持聚米学院。

[3ca04dd4236564fe8f1466d24d2907a9.png]: /images/20221024/7e0d9d4c262f44ef8c8a0e263ab27daa.png
[d6153499b7912e784d8dcd6cca55118c.png]: /images/20221024/b6bef343a82141358bb3f3cdad80b4cd.png
[2be6fbb92206f33383b34f3cb5527cdc.png]: /images/20221024/6df68248f6dc433d9e6233ccccbfe03a.png