去趋势或过滤锯齿信号（Python）

我试图通过使用filfilt滤波器消除信号的趋势（锯齿），但效果不好。这是

当我使用巴特沃斯过滤器时

b3, a3 = sg.butter(1, 0.045)
y3     = sg.filtfilt(b3, a3, core_3.temp)
b7, a7 = sg.butter(1, 0.030)
y7     = sg.filtfilt(b7, a7, core_7.temp)

结果是

---

正如你所看到的，对于3太赫兹信号，有一种锯切的趋势。在21:45信号有一个扰动（我想研究那个扰动）。在7太赫兹时可以清楚地观察到这种扰动。在3太赫兹时，观察到锯齿的中断。所以，我需要去趋势或过滤这个信号。我试着使用了一个

filter

过滤器，但我不知道使用

scipy.detrend

过滤或简单的去趋势处理对这个信号都没有好处。第一个问题是这种趋势有点周期性。第二个问题是周期性不是平稳的。我相信线性方法不能解决这个问题

我建议你做以下几点：

移除跳跃（“展开锯齿”）

然后用低通滤波器或其他方法对信号进行去趋势化处理

以下是一个例子：

import numpy as np
import scipy.signal as sps
import matplotlib.pyplot as plt

np.random.seed(123)

# create an example signal
x = []
ofs = 3.4
slope = 0.002
for t in np.linspace(0, 100, 1000):
    ofs += slope    
    x.append(np.sin(t*2) * 0.1 + ofs)
    if x[-1] > 4:
        ofs =3.2
        slope = np.random.rand() * 0.003 + 0.002
x = np.asarray(x)    
plt.plot(x, label='original')

# detect and remove jumps
jmps = np.where(np.diff(x) < -0.5)[0]  # find large, rapid drops in amplitdue
for j in jmps:
    x[j+1:] += x[j] - x[j+1]    
plt.plot(x, label='unrolled')

# detrend with a low-pass
order = 200
x -= sps.filtfilt([1] * order, [order], x)  # this is a very simple moving average filter
plt.plot(x, label='detrended')

plt.legend(loc='best')
plt.show()

将numpy导入为np
将scipy.signal作为sps导入
将matplotlib.pyplot作为plt导入
np.随机种子（123）
#创建一个示例信号
x=[]
ofs=3.4
斜率=0.002
对于np.linspace中的t（0，100，1000）：
ofs+=斜率
x、 附加（np.sin（t*2）*0.1+ofs）
如果x[-1]>4：
ofs=3.2
斜率=np.random.rand（）*0.003+0.002
x=np.asarray（x）
plt.绘图（x，标签='原始'）
#检测并删除跳转
jmps=np.where（np.diff（x）<-0.5）[0]#在振幅中找到大而快速的下降
对于jmps中的j：
x[j+1::]+=x[j]-x[j+1]
plt.plot（x，label='unrolled'）
#用低通滤波器衰减
订单=200
x-=sps.filtfilt（[1]*order，[order]，x）#这是一个非常简单的移动平均滤波器
plt.plot（x，label='detrended'）
plt.图例（loc='best'）
plt.show（）

---

谢谢，只是一个问题，当你在代码中写

+=

或

-=

时意味着什么？我知道了，正好是：x=x+1（x+=1）。不过有一点不同：

x+=

修改现有变量

x

，但

x=

为变量指定一个新对象。在这里，这并不重要，但在某些情况下这很重要。

import numpy as np
import scipy.signal as sps
import matplotlib.pyplot as plt

np.random.seed(123)

# create an example signal
x = []
ofs = 3.4
slope = 0.002
for t in np.linspace(0, 100, 1000):
    ofs += slope    
    x.append(np.sin(t*2) * 0.1 + ofs)
    if x[-1] > 4:
        ofs =3.2
        slope = np.random.rand() * 0.003 + 0.002
x = np.asarray(x)    
plt.plot(x, label='original')

# detect and remove jumps
jmps = np.where(np.diff(x) < -0.5)[0]  # find large, rapid drops in amplitdue
for j in jmps:
    x[j+1:] += x[j] - x[j+1]    
plt.plot(x, label='unrolled')

# detrend with a low-pass
order = 200
x -= sps.filtfilt([1] * order, [order], x)  # this is a very simple moving average filter
plt.plot(x, label='detrended')

plt.legend(loc='best')
plt.show()