数字信号处理10：Z变换(2)

news2024/11/25 22:40:49

今天我就不写后面的Z变换的剩下的东西了，直接写代码：

说实话，Python的Scipy.signal里面是没有和matlab一样的ztrans和iztrans，这让我头疼了几天时间，但是后面，看文档的时候，突然发现，czt是可以完成这一功能的，我们来一个很简单的z变换和z逆变换，用的也只是两个很简单的函数模块：

import numpy as np
import matplotlib.pyplot as plt
from scipy import fftpack
from scipy import signal as sign
# n=np.linspace(0,20,21,dtype= int)
n=np.array([0,1,2,3,4])
print(n)
n_ztrans=sign.czt(n)
print(n_ztrans)
n_iztrans=np.fft.ifft(n_ztrans)
print(n_iztrans.real)

上述代码中，我们用signal中的czt来实现逆变换，用np.fft.ifft函数来实现z逆变换，最后我们输出z逆变换的实部就好

具体的，我实现的从matlab转换过来的都还比较少，所以这一次的代码还是比较少的，但是，在这个基础上继续实践的话，会好很多。

首先，让我们来看一个系统的频响曲线：

$H(z)=\frac{z-1.3}{z}$

import numpy as np
import matplotlib.pyplot as plt
from scipy import fftpack,signal
B=np.array([1,-1.3])
A=np.array([1,0])
z,p,k=signal.tf2zpk(B,A)
w,h=signal.freqz_zpk(z,p,k,whole=True)
hf=np.abs(h)
hg=np.angle(h)
fig=plt.figure()
ax1=fig.add_subplot(1,2,1)
ax1.plot(w,hf)
ax1.grid(visible=True)
ax2=fig.add_subplot(1,2,2)
ax2.plot(w,hg)
ax2.grid(visible=True)
plt.show()

这里用到的两个函数：tf2zpk，zpk2tf，再用freqz_zpk函数来计算离散时间系统的频响特性（是计算得到的h的频率、h是频率（一个复数数组）），B是分子系数，A是分母，用tf2zpk函数将信号从时域转换到z域，输出的两个数组和一个数字，其中，z是零点数组，p是极点数组，k是系统增益，这样子，我们就能够得到了离散系统幅频特性曲线ax1和拉萨系统相频特性曲线ax2（主要是用jupyter绘图的时候，汉字标题一直乱码，我就直接在后面去写了）：

那么，同样的，我们再对另一个系统来绘制幅频响应和相频响应：

import numpy as np
import matplotlib.pyplot as plt
from scipy import fftpack
from scipy import signal as sign
import cmath

w=np.linspace(-4*np.pi,4*np.pi,25120,dtype= float)
x=1/(1-0.6*np.exp(-cmath.sqrt(-1)*w))
xa=np.abs(x)
xangle=np.angle(x)
fig=plt.figure()
ax1=fig.add_subplot(2,1,1)
ax1.plot(w/np.pi,xa)
ax2=fig.add_subplot(2,1,2)
ax2.plot(w/np.pi,xangle)
plt.show()

和之前的一样，第一幅图是幅频，第二幅是相频：

然后，要会画零极点图：

这里还画了单位圆，以方便我们观察，主要是对应的：

$H(z)=\frac{Y(z)}{X(z)}=\frac{b_1z^m+b_2z^{m-1}+\cdots+b_mz+b_{m+1}}{a_1z^m+a_2z+\cdots+a_nz+a_{n+1}}$

这样子的公式，那么我们就可以这样操作：

假设有个函数：

$H(z)=\frac{2z+1}{3z^5-2z^4+1}$

这时候，tf2zpk和zpk2tf就可以很好的发挥功效，计算零点、极点、增益，当然，这会我们还会画单位圆：

#零点分析
import numpy as np
import matplotlib.pyplot as plt
from scipy import fftpack
from scipy import signal as sign
import cmath
omega=np.linspace(0,2*np.pi,600,dtype=float)
t=np.exp(cmath.sqrt(-1)*omega)
B=[2,1]
A=[3,-1,0,0,0,1]
z,p,k=sign.tf2zpk(B,A)
absz=np.abs(z)
absp=np.abs(p)
abspmax=np.max(absp)
absk=np.abs(k)
x=max(absz,abspmax,1)
x+=0.1
y=x
xx=t.real
yy=t.imag
plt.plot(xx,yy,'blue')
plt.axis('square')
plt.plot(p.real,p.imag,'x')
plt.plot(z.real,z.imag,'o')
xlim=np.linspace(-x,x,300)
ylim=np.linspace(-y,y,300)
zlim=np.zeros(300)
plt.plot(xlim,zlim,'black')
plt.plot(zlim,ylim,'black')
plt.axis([-x,x,-y,y])
plt.title("zero and pole ")
plt.text(0.1,1.0,'Imag(z)')
plt.text(1.0,-0.1,'Real(z)')
plt.grid(visible=True)
plt.show()

我试了一下，基本上没有问题，当x的size<=1的时候，这个方法，会报错，解决的方法也很简单：

# absp=np.abs(p)
# abspmax=np.max(absp)
#absk=np.abs(k)
# x=max(absz,abspmax,1)
x=1

注释掉上面这些，然后让x=1就好，这样我们就可以得到系统响应的零极点图：

我本来想着把书后练习题给贴几个，但是想了想，没啥用，就没有再贴，但是原理大同小异，没什么新奇的地方。

随后我们来看一下，两个系统差分方程的单位脉冲：

$y(n)+0.75(yn-1)+0.125y(n-2)=x(n)-x(n-1)$

import numpy as np
import matplotlib.pyplot as plt
from scipy import fftpack
from scipy import signal as sign
def filter_matlab(b,a,x):
  y = []
  y.append(b[0] * x[0])
  for i in range(1,len(x)):
    y.append(0)
    for j in range(len(b)):
      if i >= j :
        y[i] = y[i] + b[j] * x[i - j ]
        j += 1
    for l in range(len(b)-1 ):
      if i >l:
        y[i] = (y[i] - a[l+1] * y[i -l-1])
        l += 1
    i += 1
  return y
p=[1,-1,0]
q=[1,0.75,0.125]
x_delta=np.zeros(32)
x_delta[0]=1
h_delta=filter_matlab(p,q,x_delta)
fig=plt.figure()
ax1=fig.add_subplot(2,1,1)
ax1.stem(np.linspace(0,31,32,dtype=int),h_delta)
x1=np.ones(32)
h_unit=filter_matlab(p,q,x_delta)
ax2=fig.add_subplot(2,1,2)
ax2.stem(np.linspace(0,31,32,dtype=int),h_unit)
ax1.grid(visible=True)
ax2.grid(visible=True)
ax1.set_title("function 1 using Unit impulse response")
ax2.set_title("function using Unit step response")
plt.show()

需要注意的地方是，因为Python没有filter函数的，所以我再网上找了一份filter_matlab函数来进行实现，可以得到下面这样子的结果：