Pythonda raqamli signalni qayta ishlash dsp haqida o'ylang

42
4-bob. Shovqin
4.4-rasmda natija ko'rsatilgan. To'lqin shakli yuqoriga va pastga siljiydi, lekin ketma-ket
qiymatlar o'rtasida aniq korrelyatsiya mavjud. Amplituda yuqori bo'lsa, u yuqori bo'lib qolishga
intiladi va aksincha.
signal = thinkdsp.BrownianNoise() to'lqin =
signal.make_wave(davomiylik=0,5, kadr tezligi=11025) wave.plot()
Machine Translated by Google

---

2
-2
3 10
4
0
-3
2 10
6
3
-1
1
1 10
5
,
x = np.log(self.fs[1:]) y =
np.log(self.power[1:]) t =
scipy.stats.linregress(x,y)
bu erda P - quvvat, f - chastota va k - chiziqning kesishishi, bu bizning maqsadlarimiz
uchun muhim emas. Ikkala tomonni eksponentlash natijasida:
log P = k - 2 log f
def estimate_slope(self):
bu Broun shovqiniga xosdir.
1/ f ga bog'liq
#sinf spektri
9-bob), shuning uchun biz ushbu munosabatni yozishimiz mumkin:
Brown shovqini uchun quvvat spektrining qiyaligi -2 ga teng (biz nima uchun ekanligini bilib olamiz
4.5-rasm: Braun shovqinining chiziqli shkaladagi spektri (chapda) va log-log
shkalasi (o'ngda).
aniqlash (R nishab
kerak.
,
k bu yerda K e
43
estimate_slope scipy.stats.linregress natijasini qaytaradi, bu ob'ekt hisoblangan
qiyalik va kesishma, koeffitsient ), p-qiymati va standart xatolikni o'z ichiga oladi.
Bizning maqsadlarimiz uchun biz faqat
lekin hali ham muhim emas. Quvvat mutanosib bo'lishi muhimroq
4.3. Brown shovqini
P = K/ f
U spektrning birinchi komponentini yo'q qiladi, chunki bu komponent kor f = 0 ga
javob beradi va log 0 aniqlanmagan.
qaytish t
10
400000
500000
800000
10
10
10
10
300000
0
0
600000
900000
Chastota (Hz)
10
10
100000
10
1000 2000 3000 4000 5000
10
700000
Chastota (Hz)
10
200000
Q
u
vv
at
2
2
2
Machine Translated by Google

---

0,08
1.0
1.0
0,5
Vaqt (lar)
0,06
0,0
0,04
0,10
0,5
0,00
0,02