Pythonda raqamli signalni qayta ishlash dsp haqida o'ylang

9-bob. Differentsiatsiya va integratsiya
9.2-rasmda hosil bo'lgan to'lqin va uning spektri ko'rsatilgan. Kundalik o'zgarishlar oq
shovqinga o'xshaydi va spektrning taxminiy qiyaligi -0,06 nolga yaqin, bu biz oq shovqin
uchun kutilgan narsadir.
Ushbu misol CSV faylini o'qish uchun Pandas-dan foydalanadi; natija ochilish narxi,
yopilish narxi va yuqori va past narxlar uchun ustunlar bilan DataFrame, df.
diff = np.diff(ys)
o'zgartirish = thinkdsp.Wave(farq, kadr tezligi=1)
o'zgartirish_spektr = change.make_spectrum()
df = pd.read_csv('fb.csv', sarlavha=0, nomlar=nomlar) ys =
df.close.values[::-1] yaqin = thinkdsp.Wave(ys, kadr tezligi=1)
spektr = wave.make_spectrum ()
10
Chastotasi (1/kun)
80
120
40
20
10
Vaqt (kun)
10
0 0 100 200 300 400 500 600 700 800 900
100
60
A
m
plit
ud
a
N
arxi 
(
$
)
Machine Translated by Google

---

3
1
2
-2 10
-1 10
-1
0
9.2 Chastota sohasi
9.3 Differentsiatsiya
Ketma-ket elementlar orasidagi farqni hisoblash oyna [1, -1] bilan konvertatsiya qilish
bilan bir xil. Agar ushbu elementlarning tartibi orqaga qarab ko'rinsa, esda tutingki,
konvolyutsiya oynani signalga qo'llashdan oldin uni o'zgartiradi.
Oynaning DFT ni hisoblash orqali biz ushbu operatsiyaning chastota domenidagi
ta'sirini ko'rishimiz mumkin.
Oldingi bo'limda biz foydalangan oyna birinchi hosilaning sonli yaqinlashuvidir, shuning
uchun filtr differentsiatsiya ta'sirini taxmin qiladi.
107
9.2-rasm: Facebook-ning kunlik narxining o'zgarishi va bu vaqt seriyasining spektri.
9.2. Chastota domeni
9.3-rasmda natija ko'rsatilgan. Cheklangan farq oynasi yuqori o'tkazuvchan filtrga
to'g'ri keladi: uning amplitudasi chastota bilan, past chastotalar uchun chiziqli, keyin
esa undan keyin pastki chiziqli ravishda ortadi. Keyingi bo'limda nima uchun ekanligini
bilib olamiz.
diff_window = np.array([1.0, -1.0]) padded =
thinkdsp.zero_pad(diff_window, len(yopish)) diff_wave =
thinkdsp.Wave(padded, framerate=close.framerate) diff_filter =
diff_wave.make_spectrum()
10
2
Chastotasi (1/kun)
6
10
10
10
8
6 0 100 200 300 400 500 600 700 800 900
0
4
2
10
4
Vaqt (kun)
Na
rxi
(
$)
Amp
l
i
t
uda
Machine Translated by Google

---

3
0
-1
2
1
Am
pli
tuda
nis
bati
A
m
p
l
i
tuda 
nis
b
a
ti
d
Vaqt domenidagi farqlanish chastotalar domenidagi oddiy filtrga mos keladi; bir
oz matematika bilan nima ekanligini aniqlashimiz mumkin.
dtEf(t) = 2pi f Ef(t)
Ef ning birinchi hosilasi
108
9.3-rasm: Diff va differentsial operatorlari (chapda) va integratsiya operatoriga
(o'ngda, log-y shkalasi) mos keladigan filtrlar.
d