import numpy as np
import matplotlib.pyplot as pltdef limit_filter(data, top=4):'''限幅滤波法（又称程序判断滤波法） A、方法： 根据经验判断，确定两次采样允许的最大偏差值（设为top）每次检测到新值时判断：如果本次值与上次值之差<=top,则本次值有效 如果本次值与上次值之差>top,则本次值无效,放弃本次值,用上次值代替本次值 B、优点： 能有效克服因偶然因素引起的脉冲干扰 C、缺点： 无法抑制那种周期性的干扰 平滑度差'''flag_arr = np.argwhere(data<0)temp_data = abs(data)for i in range(1, len(temp_data)):if abs(temp_data[i] - temp_data[i-1]) > top:temp_data[i] = temp_data[i-1]temp_data[flag_arr] *= -1return temp_datadef median_filter(data, num=3):'''中位值滤波法 A、方法： 连续采样num次（num取奇数） 把num次采样值按大小排列 取中间值为本次有效值 B、优点： 能有效克服因偶然因素引起的波动干扰 对温度、液位的变化缓慢的被测参数有良好的滤波效果 C、缺点： 对流量、速度等快速变化的参数不宜 '''data_length = len(data)item_num = data_length // num + 1padwidth = item_num * num - data_lengthtemp_data = np.pad(data, (0, padwidth), 'edge').reshape(item_num, num)median_arr = np.median(temp_data, axis=1).reshape(item_num).repeat(num)[:data_length]return median_arrdef average_filter(data, num=3):'''算术平均滤波法 A、方法： 连续取num个采样值进行算术平均运算 num值较大时：信号平滑度较高，但灵敏度较低 num值较小时：信号平滑度较低，但灵敏度较高 num值的选取：一般流量，num=12；压力：num=4 B、优点： 适用于对一般具有随机干扰的信号进行滤波 这样信号的特点是有一个平均值，信号在某一数值范围附近上下波动 C、缺点： 对于测量速度较慢或要求数据计算速度较快的实时控制不适用 比较浪费RAM '''data_length = len(data)item_num = data_length // num + 1padwidth = item_num * num - data_lengthtemp_data = np.pad(data, (0, padwidth), 'edge').reshape(item_num, num)median_arr = np.mean(temp_data, axis=1).reshape(item_num).repeat(num)[:data_length]return median_arrdef dynamic_average_filter(data, num=3):'''递推平均滤波法（又称滑动平均滤波法） A、方法： 把连续取num个采样值看成一个队列 队列的长度固定为num 每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据.(先进先出原则) 把队列中的num个数据进行算术平均运算,就可获得新的滤波结果 num值的选取：流量，num=12；压力：num=4；液面，num=4~12；温度，num=1~4 B、优点： 对周期性干扰有良好的抑制作用，平滑度高 适用于高频振荡的系统 C、缺点： 灵敏度低 对偶然出现的脉冲性干扰的抑制作用较差 不易消除由于脉冲干扰所引起的采样值偏差 不适用于脉冲干扰比较严重的场合 比较浪费RAM '''temp_data = data.copy()for i in range(len(temp_data)):temp_data[i] = np.mean(temp_data[i:i+num])return temp_datadef median_average_filter(data, num=3):'''中位值平均滤波法（又称防脉冲干扰平均滤波法） A、方法： 相当于“中位值滤波法”+“算术平均滤波法” 连续采样num个数据，去掉一个最大值和一个最小值 然后计算num-2个数据的算术平均值 num值的选取：3~14 B、优点： 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰，可消除由于脉冲干扰所引起的采样值偏差 C、缺点： 测量速度较慢，和算术平均滤波法一样 比较浪费RAM '''data_length = len(data)item_num = data_length // num + 1padwidth = item_num * num - data_lengthtemp_data = np.pad(data, (0, padwidth), 'edge').reshape(item_num, num)temp_data = np.sort(temp_data, axis=1)[:, 1:-1]median_arr = np.mean(temp_data, axis=1).reshape(item_num).repeat(num)[:data_length]return median_arrdef dynamic_limit_average_filter(data, num=3, top=4):'''限幅平均滤波法 A、方法： 相当于“限幅滤波法”+“递推平均滤波法” 每次采样到的新数据先进行限幅处理， 再送入队列进行递推平均滤波处理 B、优点： 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰，可消除由于脉冲干扰所引起的采样值偏差 C、缺点： 比较浪费RAM '''flag_arr = np.argwhere(data<0)temp_data = abs(data)for i in range(1, len(temp_data)):if abs(temp_data[i] - temp_data[i-1]) > top:temp_data[i] = temp_data[i-1]temp_data[i] = np.mean(temp_data[i:i+num])temp_data[flag_arr] *= -1return temp_datadef lag_filter(data, rate=0.3):'''一阶滞后滤波法 A、方法： 取a=0~1 本次滤波结果=（1-a）*本次采样值+a*上次滤波结果 B、优点： 对周期性干扰具有良好的抑制作用 适用于波动频率较高的场合 C、缺点： 相位滞后，灵敏度低 滞后程度取决于a值大小 不能消除滤波频率高于采样频率的1/2的干扰信号 '''temp_data = data.copy()for i in range(1, len(temp_data)):temp_data[i] = (1-rate) * temp_data[i] + rate * temp_data[i-1]return temp_datadef dynamic_weight_average_filter(data, num):'''加权递推平均滤波法 A、方法： 是对递推平均滤波法的改进，即不同时刻的数据加以不同的权 通常是，越接近现时刻的数据，权取得越大。 给予新采样值的权系数越大，则灵敏度越高，但信号平滑度越低 B、优点： 适用于有较大纯滞后时间常数的对象 和采样周期较短的系统 C、缺点： 对于纯滞后时间常数较小，采样周期较长，变化缓慢的信号 不能迅速反应系统当前所受干扰的严重程度，滤波效果差 '''passdef test3():'''消抖滤波法 A、方法： 设置一个滤波计数器 将每次采样值与当前有效值比较： 如果采样值＝当前有效值，则计数器清零 如果采样值<>当前有效值，则计数器+1，并判断计数器是否>=上限N(溢出) 如果计数器溢出,则将本次值替换当前有效值,并清计数器 B、优点： 对于变化缓慢的被测参数有较好的滤波效果, 可避免在临界值附近控制器的反复开/关跳动或显示器上数值抖动 C、缺点： 对于快速变化的参数不宜 如果在计数器溢出的那一次采样到的值恰好是干扰值,则会将干扰值当作有效值导 入系统 '''passdef test4():'''限幅消抖滤波法 A、方法： 相当于“限幅滤波法”+“消抖滤波法” 先限幅,后消抖 B、优点： 继承了“限幅”和“消抖”的优点 改进了“消抖滤波法”中的某些缺陷,避免将干扰值导入系统 C、缺点： 对于快速变化的参数不宜 '''passif __name__ == '__main__':a = np.sin(np.linspace(1, 50, 200)*np.pi) * 2Q = np.random.rand(200)Q[12] = 5Q[66] = 5Q[77] = -5Q[78] = -4Q[79] = -5a = a + QT = np.array(range(len(a)))from scipy.interpolate import splinexnew = np.linspace(T.min(),T.max(),len(a)*3) #300 represents number of points to make between T.min and T.maxpower_smooth = spline(T,a,xnew)plt.plot(xnew, power_smooth)plt.ylim(-5,5)# 中位值滤波# median_data = median_filter(a, 3)# plt.title("media:3")# plt.plot(median_data)# 算术平均值滤波# average_data = average_filter(a, 3)# plt.title("average:3")# plt.plot(average_data)# 滑动平均值滤波# dynamic_average_data = dynamic_average_filter(a, 3)# plt.title("dynamic_average:3")# plt.plot(dynamic_average_data)# 限幅平均滤波# dynamic_limit_average_data = dynamic_limit_average_filter(a, 3, 4)# plt.title("limit:4 average:3")# plt.plot(dynamic_limit_average_data)# # 中位值平均滤波median_average_data = median_average_filter(a, 3)plt.title("median_average:3")plt.plot(median_average_data)# 限幅滤波# limited_data = limit_filter(a, 4)# plt.title("limit:4")# plt.plot(limited_data)# 一阶滞后滤波# lag_data = lag_filter(a, 0.3)# plt.title("lag:0.3")# plt.plot(lag_data)plt.show()