Pythonda raqamli signalni qayta ishlash dsp haqida o'ylang

8.6 Samarali konvolyutsiya
Shunday qilib, konvolyutsiyani hisoblashning bir usuli:
8.7-rasm: Gauss tekislashdan oldin va keyin spektrlarning nisbati va oynaning DFT.
pandalarni pd sifatida import qiling
100
Biz bir xil konvolyutsiyani ikkala yo'l bilan hisoblash orqali uning ishlashini tasdiqlashimiz
mumkin. Misol tariqasida, men uni 8.1-rasmda ko'rsatilgan Facebook ma'lumotlariga qo'llayman.
Yana konvolyutsiya teoremasi aytadi
8-bob. Filtrlash va konvolyutsiya
bu erda IDFT - teskari DFT. Konvolüsyonun oddiy amalga oshirilishi N2 ga mutanosib vaqtni
oladi ; FFT dan foydalangan holda bu algoritm N log N ga mutanosib vaqt oladi.
FFT ning bunday muhim algoritm bo'lishining sabablaridan biri shundaki, u Konvolyutsiya
teoremasi bilan birgalikda konvolyutsiya, o'zaro bog'liqlik va avtokorrelyatsiyani hisoblashning
samarali usulini ta'minlaydi.
Ushbu misol CSV faylidagi ma'lumotlarni o'qish uchun Pandas-dan foydalanadi (ushbu kitob
uchun omborga kiritilgan). Agar siz Pandalar bilan tanish bo'lmasangiz, tashvishlanmang:
nomlar = ['sana', 'ochiq', 'yuqori', 'past', 'yopish', 'tovush'] df = pd.read_csv('fb.csv',
header=0, nomlar=nomlar) ys = df .close.values[::-1]
Gauss filtri
amplitudasi nisbati
Amplitud
a
nis
bati
DFT(f ÿ g) = DFT(f) · DFT(g)
f ÿ g = IDFT(DFT(f) · DFT(g))
Machine Translated by Google

---

np.fft dan import fft, ifft
corrs = np.correlate (yopish, yopish, rejim = "bir xil")
Endi bizda konvolyutsiya uchun samarali algoritm mavjud bo'lsa, biz undan o'zaro bog'liqlik va
avtokorrelyatsiyalarni hisoblash uchun ham foydalanishimiz mumkin. Oldingi bo'limdagi
ma'lumotlardan foydalanib, biz Facebook aktsiyalari narxlarining avtokorrelyatsiyasini
hisoblashimiz mumkin:
fft_convolve xuddi shu narsani FFT yordamida hisoblaydi:
8.2-bo'limda men o'zaro bog'liqlik va konvolyutsiyaning ta'riflarini taqdim etdim va biz ular deyarli
bir xil ekanligini ko'rdik, faqat konvolyutsiyada oyna teskari bo'ladi.
window = scipy.signal.gaussian(M=30, std=6) oyna /=
window.sum() tekislangan = np.convolve(ys, window,
mode='valid')
Keyin men Gauss oynasini yarataman va uni yopish bilan aylantiraman:
Natija fft_convolve bilan taxminan 12 ta aniqlik raqamiga mos keladi.
Natijada, df, Pan das tomonidan taqdim etilgan ma'lumotlar tuzilmalaridan biri bo'lgan
DataFrame. close - kunlik yopilish narxlarini o'z ichiga olgan NumPy massivi.
Men bu kitobda u bilan ko'p ish qilmoqchi emasman. Agar qiziqsangiz, http://thinkstats2.com
saytidagi Think Stats sahifasida bu haqda ko'proq ma'lumot olishingiz mumkin.
M = lin(oyna)
silliqlangan2 = silliqlangan2[M-1:]
Natija boshida M - 1 soxta qiymatlarga ega, bu erda M - oynaning uzunligi. Biz shunday soxta
qiymatlarni kesib tashlashimiz mumkin: