python波形圖

⑴ python科學計算——任意波形擬合

任意波形的生成 (geneartion of arbitrary waveform) 在商業，軍事等領域都有著重要的應用，諸如空間光通信 (free-space optics communication)， 高速信號處理 (high-speed signal processing)，雷達 (radar) 等。在任意波形生成後， 如何評估生成的任意波形 成為另外一個重要的話題。

假設有一組實驗數據，已知他們之間的函數關系：y=f(x)，通過這些信息，需要確定函數中的一些參數項。例如，f 是一個線型函數 f(x)=k*x+b，那麼參數 k 和 b 就是需要確定的值。如果這些參數用 p 表示的話，那麼就需要找到一組 p 值使得如下公式中的 S 函數最小：

這種演算法被稱之為 最小二乘擬合 (least-square fitting)。scipy 中的子函數庫 optimize 已經提供實現最小二乘擬合演算法的函數 leastsq 。下面是 leastsq 函數導入的方式：

scipy.optimize.leastsq 使用方法

在 Python科學計算——Numpy.genfromtxt 一文中，使用 numpy.genfromtxt 對數字示波器採集的三角波數據導入進行了介紹，今天，就以 4GHz三角波 波形的擬合為案例介紹任意波形的擬合方法。

在 Python科學計算——如何構建模型？ 一文中，討論了如何構建三角波模型。在標准三角波波形的基礎上添加了 橫向，縱向的平移和伸縮特徵參數 ，最後添加了 雜訊參數 模擬了三角波幅度參差不齊的隨機性特徵。但在波形擬合時，並不是所有的特徵參數都要納入考量，例如，雜訊參數應是 波形生成系統 的固有特徵，正因為它的存在使得產生的波形存在瑕疵，因此，在進行波形擬合並評估時，不應將雜訊參數納入考量，最終模型如下：

在調用 scipy.optimize.leastsq 函數時，需要構建誤差函數：

有時候，為了使圖片有更好的效果，需要對數據進行一些處理：

leastsq 調用方式如下：

合理的設置 p0 可以減少程序運行時間，因此，可以在運行一次程序後，用擬合後的相應數據對 p0 進行修正。

在對波形進行擬合後，調用 pylab 對擬合前後的數據進行可視化：

均方根誤差 (root mean square error) 是一個很好的評判標准，它是觀測值與真值偏差的平方和觀測次數n比值的平方根，在實際測量中，觀測次數n總是有限的，真值只能用最可信賴（最佳）值來代替.方根誤差對一組測量中的特大或特小誤差反映非常敏感，所以，均方根誤差能夠很好地反映出測量的精密度。

RMSE 用程序實現如下：

擬合效果，模型參數輸出：

leastsq 函數適用於任何波形的擬合，下面就來介紹一些常用的其他波形：

⑵ 如何用python實現圖像的一維高斯濾波

如何用python實現圖像的一維高斯濾波
建議你不要使用高斯濾波。
推薦你使用一維中值濾波
matlab的函數為
y = medfilt1(x,n);
x為數組，是你要處理原始波形，n是中值濾波器的參數（大於零的整數）。y是濾波以後的結果（是數組）
後面再
plot(y);
就能看到濾波以後的結果
經過medfilt1過濾以後，y里儲存的是低頻的波形，如果你需要高頻波形，x-y就是高頻波形
順便再說一點，n是偶數的話，濾波效果比較好。
N越小，y里包含的高頻成分就越多，y越大，y里包含的高頻成分就越少。
記住，無論如何y里保存的都是整體的低頻波。（如果你看不懂的話，濾一下，看y波形，你馬上就懂了）

⑶ 怎麼用python的numpy模塊和matplotlib模塊把下面這些文本做一個3d的數據建模

你好，你現在那個圖是一個連續的波形圖，因為你提供的是具體的數據，沒有xyz之間的關系公式，所以只能是畫一個散點圖。假設你已經將xyz都讀進來了，下面是一個畫三d散點圖的例子。
from mpl_toolkits.mplot3d.axes3d import Axes3D
#繪制3維的散點圖
x = np.random.randint(0,10,size=100) #用你X的數據來代替
y = np.random.randint(-20,20,size=100) #用你Y的數據來代替
z = np.random.randint(0,30,size=100) #用你的Z的數據來代替

# 此處fig是二維
fig = plt.figure()

# 將二維轉化為三維
axes3d = Axes3D(fig)

# axes3d.scatter3D(x,y,z)
# 效果相同
axes3d.scatter(x,y,z)