import numpy as np
import matplotlib.pyplot as plt
def limit_filter(data, top=4):
'''
限幅濾波法（又稱程序判斷濾波法）
A、方法： 根據經驗判斷，確定兩次採樣允許的最大偏差值（設爲top）每次檢測到新值時判斷：如果本次值與上次值之差<=top,則本次值有效 如果本次值與上次值之差>top,則本次值無效,放棄本次值,用上次值代替本次值
B、優點： 能有效克服因偶然因素引起的脈衝干擾
C、缺點： 無法抑制那種週期性的干擾 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] *= -1
return temp_data
def median_filter(data, num=3):
'''
中位值濾波法
A、方法： 連續採樣num次（num取奇數） 把num次採樣值按大小排列 取中間值爲本次有效值
B、優點： 能有效克服因偶然因素引起的波動干擾 對溫度、液位的變化緩慢的被測參數有良好的濾波效果
C、缺點： 對流量、速度等快速變化的參數不宜
'''
data_length = len(data)
item_num = data_length // num + 1
padwidth = item_num * num - data_length
temp_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_arr
def average_filter(data, num=3):
'''
算術平均濾波法
A、方法： 連續取num個採樣值進行算術平均運算 num值較大時：信號平滑度較高，但靈敏度較低 num值較小時：信號平滑度較低，但靈敏度較高 num值的選取：一般流量，num=12；壓力：num=4
B、優點： 適用於對一般具有隨機干擾的信號進行濾波 這樣信號的特點是有一個平均值，信號在某一數值範圍附近上下波動
C、缺點： 對於測量速度較慢或要求數據計算速度較快的實時控制不適用 比較浪費RAM
'''
data_length = len(data)
item_num = data_length // num + 1
padwidth = item_num * num - data_length
temp_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_arr
def dynamic_average_filter(data, num=3):
'''
遞推平均濾波法（又稱滑動平均濾波法）
A、方法： 把連續取num個採樣值看成一個隊列 隊列的長度固定爲num 每次採樣到一個新數據放入隊尾,並扔掉原來隊首的一次數據.(先進先出原則) 把隊列中的num個數據進行算術平均運算,就可獲得新的濾波結果 num值的選取：流量，num=12；壓力：num=4；液麪，num=4~12；溫度，num=1~4
B、優點： 對週期性干擾有良好的抑制作用，平滑度高 適用於高頻振盪的系統
C、缺點： 靈敏度低 對偶然出現的脈衝性干擾的抑制作用較差 不易消除由於脈衝干擾所引起的採樣值偏差 不適用於脈衝干擾比較嚴重的場合 比較浪費RAM
'''
temp_data = data.copy()
for i in range(len(temp_data)):
temp_data[i] = np.mean(temp_data[i:i+num])
return temp_data
def median_average_filter(data, num=3):
'''
中位值平均濾波法（又稱防脈衝干擾平均濾波法）
A、方法： 相當於“中位值濾波法”+“算術平均濾波法” 連續採樣num個數據，去掉一個最大值和一個最小值 然後計算num-2個數據的算術平均值 num值的選取：3~14
B、優點： 融合了兩種濾波法的優點 對於偶然出現的脈衝性干擾，可消除由於脈衝干擾所引起的採樣值偏差
C、缺點： 測量速度較慢，和算術平均濾波法一樣 比較浪費RAM
'''
data_length = len(data)
item_num = data_length // num + 1
padwidth = item_num * num - data_length
temp_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_arr
def dynamic_limit_average_filter(data, num=3, top=4):
'''
限幅平均濾波法
A、方法： 相當於“限幅濾波法”+“遞推平均濾波法” 每次採樣到的新數據先進行限幅處理， 再送入隊列進行遞推平均濾波處理
B、優點： 融合了兩種濾波法的優點 對於偶然出現的脈衝性干擾，可消除由於脈衝干擾所引起的採樣值偏差
C、缺點： 比較浪費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] *= -1
return temp_data
def lag_filter(data, rate=0.3):
'''
一階滯後濾波法
A、方法： 取a=0~1 本次濾波結果=（1-a）*本次採樣值+a*上次濾波結果
B、優點： 對週期性干擾具有良好的抑制作用 適用於波動頻率較高的場合
C、缺點： 相位滯後，靈敏度低 滯後程度取決於a值大小 不能消除濾波頻率高於採樣頻率的1/2的干擾信號
'''
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_data
def dynamic_weight_average_filter(data, num):
'''
加權遞推平均濾波法
A、方法： 是對遞推平均濾波法的改進，即不同時刻的數據加以不同的權 通常是，越接近現時刻的數據，權取得越大。 給予新採樣值的權係數越大，則靈敏度越高，但信號平滑度越低
B、優點： 適用於有較大純滯後時間常數的對象 和採樣週期較短的系統
C、缺點： 對於純滯後時間常數較小，採樣週期較長，變化緩慢的信號 不能迅速反應系統當前所受干擾的嚴重程度，濾波效果差
'''
pass
def test3():
'''
消抖濾波法
A、方法： 設置一個濾波計數器 將每次採樣值與當前有效值比較： 如果採樣值＝當前有效值，則計數器清零 如果採樣值<>當前有效值，則計數器+1，並判斷計數器是否>=上限N(溢出) 如果計數器溢出,則將本次值替換當前有效值,並清計數器
B、優點： 對於變化緩慢的被測參數有較好的濾波效果, 可避免在臨界值附近控制器的反覆開/關跳動或顯示器上數值抖動
C、缺點： 對於快速變化的參數不宜 如果在計數器溢出的那一次採樣到的值恰好是干擾值,則會將干擾值當作有效值導 入系統
'''
pass
def test4():
'''
限幅消抖濾波法
A、方法： 相當於“限幅濾波法”+“消抖濾波法” 先限幅,後消抖
B、優點： 繼承了“限幅”和“消抖”的優點 改進了“消抖濾波法”中的某些缺陷,避免將干擾值導入系統
C、缺點： 對於快速變化的參數不宜
'''
pass
if __name__ == '__main__':
a = np.sin(np.linspace(1, 50, 200)*np.pi) * 2
Q = np.random.rand(200)
Q[12] = 5
Q[66] = 5
Q[77] = -5
Q[78] = -4
Q[79] = -5
a = a + Q
T = np.array(range(len(a)))
from scipy.interpolate import spline
xnew = np.linspace(T.min(),T.max(),len(a)*3) #300 represents number of points to make between T.min and T.max
power_smooth = spline(T,a,xnew)
plt.plot(xnew, power_smooth)
plt.ylim(-5,5)
# 中位值濾波
# median_data = median_filter(a, 3)
# plt.title("media:3")
# plt.plot(median_data)
# 算術平均值濾波
# average_data = average_filter(a, 3)
# plt.title("average:3")
# plt.plot(average_data)
# 滑動平均值濾波
# dynamic_average_data = dynamic_average_filter(a, 3)
# plt.title("dynamic_average:3")
# plt.plot(dynamic_average_data)
# 限幅平均濾波
# dynamic_limit_average_data = dynamic_limit_average_filter(a, 3, 4)
# plt.title("limit:4 average:3")
# plt.plot(dynamic_limit_average_data)
# # 中位值平均濾波
median_average_data = median_average_filter(a, 3)
plt.title("median_average:3")
plt.plot(median_average_data)
# 限幅濾波
# limited_data = limit_filter(a, 4)
# plt.title("limit:4")
# plt.plot(limited_data)
# 一階滯後濾波
# lag_data = lag_filter(a, 0.3)
# plt.title("lag:0.3")
# plt.plot(lag_data)
plt.show()
