Traitement du signal 2

Méthode qui permet de lisser un signal. Cette méthode est Utiliser :

pour diminuer le bruit du signal.
faire apparaitre une tendance
On définit une fenêtre
On répète :
1. Calcul le point moyen (moyenne).
2. La fenêtre est ensuite décalée.

Note

Il faut éviter de réaliser plusieurs moyennes mobiles limiter le lissage du signal.

import lttbc

lttbc.downsample(x_data, data, nb_points) lisser les données avec l'agorithme LTTBC.

%pip install tensorflow

Fonction d'Allan permet de déterminer le bruit à un certain taux de moyennage (taille de la fenêtre).

astype(np.float64)

%matplotlib inline affihce rles graphiques dans le code.

from scipy.fft import fft

fft(noisy_signal) transformation rapide de Fourrier.

numpy.argmax() indice de la valeur la plus élevée.

np.fft.fft(noisy_signal) transformer les données avec Fourrier.
np.fft.fftfreq(signal, d=freq) déterminer les fréquences élémentaires des signaux périodiques avec d d'acquisition des points.
scipy.fft.fft(signal) transformer les données avec Fourrier.
scipy.fft.fftfreq(n, d=freq) déterminer les fréquences élémentaires des signaux périodiques avec d d'acquisition des points.

Le graphique est l'amplitude en fonction de la fréquence de chaque signau élémentaire.

plt.plot(freq, abs(fft))

Note

abs renvoie la valeur absolue de la partie entière.

scipy.ifft(fourrier) transformation inverse de Fourrier.

Filtre introduise un déphasage.

Afficher une image en noir et blanc à partir d'une matrice avec les valeurs de gris.

import matplotlib.pyplot as plt

# Afficher l'image en noir et blanc
plt.imshow(image, cmap='gray')
plt.axis('off')  # Masquer les axes
plt.show()