фильтрация/удаление шума

Вопрос простой. Как удалить шум из данных? Я составил некоторые значения x и y вместе с некоторым шумом, который является грубым упрощением данных, с которыми я имею дело (помимо случайного шума, я не могу сделать его таким же, как шум, с которым мне приходится иметь дело). Я действительно не знаю, нужно ли мне фильтровать или сглаживать. Мой файл содержит два набора данных, которые необходимо нанести на график, и в этих данных есть экспериментальный шум. Как лучше всего его удалить? сглаживание или фильтрация?

Я недавно разместил этот код в другом посте, все, что я сделал, это добавил к нему шум.

import matplotlib.pyplot as plt
import numpy as np
from scipy.optimize import curve_fit, minimize_scalar 

x1 = [1,2,2.5,3.2,2.8,3.5,4,5]
y = [1,4,9.2,16,16.1,9.6,4,1]
noise = np.random.normal(0,1,8)
x = x1 + noise #bring on the noise

def f(x, p1, p2, p3):
return p3*(p1/((x-p2)**2 + (p1/2)**2))   

p0 = (8, 16, 0.1) # guess perameters 
plt.plot(x,y,"ro")
popt, pcov = curve_fit(f, x, y, p0)

fm = lambda x: -f(x, *popt) #this part and below is not my code but the 
#solution to my previous question     
r = minimize_scalar(fm, bounds=(1, 5))
print "maximum:", r["x"], f(r["x"], *popt)

x_curve = np.linspace(1, 5, 100)
plt.plot(x_curve, f(x_curve, *popt))
plt.plot(r['x'], f(r['x'], *popt), 'ko')
plt.show()

скажем, я убираю шум и заменяю x1 на x... Я получаю хорошее представление о своих точках данных. Как я могу приблизиться к этому, когда присутствует шум?


python filter noise curve-fitting smoothing
person skitt1z1    schedule 30.04.2015    source источник
comment
Используйте фильтр Калмана. См. этот вопрос   -  person Peter Wood    schedule 30.04.2015

Ответы (1)


arrow_upward
0
arrow_downward

Самый простой способ удалить шумы с помощью фильтра Калмана. Допустим, ваши данные (измерения) содержат шумы. Вы хотите исправить с помощью фильтра. Используйте фильтр Калмана и измените переменную transition_covariance в зависимости от перехода данных. введите здесь описание изображения

import matplotlib.pyplot as plt 
from pykalman import KalmanFilter 
import numpy as np

measurements = np.asarray([1, 2, 3, 5, 3, 2, 1, 2, 4, 5,7, 9, 10, 8, 5, 1]) 
kf = KalmanFilter(transition_matrices=[1],
                  observation_matrices=[1],
                  initial_state_mean=measurements[0],
                  initial_state_covariance=1,
                  observation_covariance=5,
                  transition_covariance=1) #0.01) 
state_means, state_covariances = kf.filter(measurements) 
state_std = np.sqrt(state_covariances[:,0]) 
print (state_std) 
print (state_means) 
print (state_covariances)

plt.plot(measurements, '-r', label='measurment') 
plt.plot(state_means, '-g', label='kalman-filter output') 
plt.legend(loc='upper left') 
plt.show()
person Sayed Mohsin Reza    schedule 27.10.2018