freqz#
- scipy.signal.freqz(b, a=1, worN=512, whole=False, plot=None, fs=6.283185307179586, include_nyquist=False)[source]#
计算数字滤波器的频率响应。
给定数字滤波器的 M 阶分子 b 和 N 阶分母 a,计算其频率响应
jw -jw -jwM jw B(e ) b[0] + b[1]e + ... + b[M]e H(e ) = ------ = ----------------------------------- jw -jw -jwN A(e ) a[0] + a[1]e + ... + a[N]e
- 参数:
- b数组类型
线性滤波器的分子。如果 b 的维度大于 1,则假定系数存储在第一个维度中,并且
b.shape[1:]
、a.shape[1:]
以及频率数组的形状必须与广播兼容。- a数组类型
线性滤波器的分母。如果 b 的维度大于 1,则假定系数存储在第一个维度中,并且
b.shape[1:]
、a.shape[1:]
以及频率数组的形状必须与广播兼容。- worN{None, int, 数组类型}, 可选
如果是单个整数,则在该数量的频率点上计算(默认为 N=512)。这是一种方便的替代方法:
np.linspace(0, fs if whole else fs/2, N, endpoint=include_nyquist)
使用对 FFT 计算较快的数字可以加快计算速度(参见说明)。
如果是数组类型,则在给定频率点上计算响应。这些单位与 fs 相同。
- whole布尔值, 可选
通常,频率从 0 计算到奈奎斯特频率 `fs/2`(单位圆的上半部分)。如果 whole 为 True,则频率从 0 计算到 `fs`。如果 `worN` 是数组类型,则忽略。
- plot可调用对象
一个接受两个参数的可调用对象。如果给定,则将返回参数 w 和 h 传递给 `plot`。用于在
freqz
内部绘制频率响应。- fs浮点数, 可选
数字系统的采样频率。默认为 `2*pi` 弧度/样本(因此 w 的范围是 0 到 `pi`)。
版本 1.2.0 新增。
- include_nyquist布尔值, 可选
如果 whole 为 False 且 worN 是一个整数,将 include_nyquist 设置为 True 将包含最后一个频率(奈奎斯特频率),否则将被忽略。
版本 1.5.0 新增。
- 返回值:
- wndarray
计算 h 时的频率,单位与 fs 相同。默认情况下,w 被归一化到范围 `[0, pi)`(弧度/样本)。
- hndarray
频率响应,以复数形式表示。
注意
将 Matplotlib 的
matplotlib.pyplot.plot
函数作为 plot 的可调用对象会产生意想不到的结果,因为它绘制的是复数传递函数的实部,而非幅值。尝试lambda w, h: plot(w, np.abs(h))
。当满足以下条件时,将通过(R)FFT 直接计算频率响应:
worN 给定一个整数值。
worN 通过 FFT 计算速度快(即
next_fast_len(worN)
等于 worN)。分母系数是单个值(
a.shape[0] == 1
)。worN 至少与分子系数的长度相同(
worN >= b.shape[0]
)。如果
b.ndim > 1
,则b.shape[-1] == 1
。
对于长 FIR 滤波器,FFT 方法的误差更低,并且比等效的直接多项式计算快得多。
示例
>>> from scipy import signal >>> import numpy as np >>> taps, f_c = 80, 1.0 # number of taps and cut-off frequency >>> b = signal.firwin(taps, f_c, window=('kaiser', 8), fs=2*np.pi) >>> w, h = signal.freqz(b)
>>> import matplotlib.pyplot as plt >>> fig, ax1 = plt.subplots(tight_layout=True) >>> ax1.set_title(f"Frequency Response of {taps} tap FIR Filter" + ... f"($f_c={f_c}$ rad/sample)") >>> ax1.axvline(f_c, color='black', linestyle=':', linewidth=0.8) >>> ax1.plot(w, 20 * np.log10(abs(h)), 'C0') >>> ax1.set_ylabel("Amplitude in dB", color='C0') >>> ax1.set(xlabel="Frequency in rad/sample", xlim=(0, np.pi))
>>> ax2 = ax1.twinx() >>> phase = np.unwrap(np.angle(h)) >>> ax2.plot(w, phase, 'C1') >>> ax2.set_ylabel('Phase [rad]', color='C1') >>> ax2.grid(True) >>> ax2.axis('tight') >>> plt.show()
广播示例
假设我们有两个 FIR 滤波器,其系数存储在形状为 `(2, 25)` 的数组的行中。为了演示,我们将使用随机数据。
>>> rng = np.random.default_rng() >>> b = rng.random((2, 25))
要通过一次调用
freqz
计算这两个滤波器的频率响应,我们必须传入b.T
,因为freqz
期望第一个轴保存系数。然后我们必须通过一个长度为 1 的冗余维度扩展形状,以便与频率数组进行广播。也就是说,我们传入b.T[..., np.newaxis]
,其形状为 `(25, 2, 1)`。>>> w, h = signal.freqz(b.T[..., np.newaxis], worN=1024) >>> w.shape (1024,) >>> h.shape (2, 1024)
现在,假设我们有两个传递函数,其分子系数相同:
b = [0.5, 0.5]
。两个分母的系数存储在二维数组 a 的第一个维度中。a = [ 1 1 ] [ -0.25, -0.5 ]
>>> b = np.array([0.5, 0.5]) >>> a = np.array([[1, 1], [-0.25, -0.5]])
只有 a 的维度大于 1。为了使其与频率进行广播兼容,我们在调用
freqz
时用一个冗余维度扩展它。>>> w, h = signal.freqz(b, a[..., np.newaxis], worN=1024) >>> w.shape (1024,) >>> h.shape (2, 1024)