这篇文章将为大家详细讲解有关Python基于FIR如何实现Hilbert滤波器求信号包络，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
在通信领域，可以通过希尔伯特变换求解解析信号，进而求解窄带信号的包络。
实现希尔伯特变换有两种方法，一种是对信号做FFT，单后只保留单边频谱，在做IFFT，我们称之为频域方法；另一种是基于FIR根据传递函数设计一个希尔伯特滤波器，我们称之为时域方法。
# -*- coding:utf8 -*-
# @TIME : 2019/4/11 18:30
# @Author : SuHao
# @File : hilberfilter.py
import scipy.signal as signal
import numpy as np
import librosa as lib
import matplotlib.pyplot as plt
import time
# from preprocess_filter import *
# 读取音频文件
ex = '..\\..\\数据集2\\pre2012\\bflute\\BassFlute.ff.C5B5.aiff'
time_series, fs = lib.load(ex, sr=None, mono=True, res_type='kaiser_best')
# 生成一个chirp信号
# duration = 2.0
# fs = 400.0
# samples = int(fs*duration)
# t = np.arange(samples) / fs
# time_series = signal.chirp(t, 20.0, t[-1], 100.0)
# time_series *= (1.0 + 0.5 * np.sin(2.0*np.pi*3.0*t) )
def hilbert_filter(x, fs, order=201, pic=None):
'''
:param x: 输入信号
:param fs: 信号采样频率
:param order: 希尔伯特滤波器阶数
:param pic: 是否绘图，bool
:return: 包络信号
'''
co = [2*np.sin(np.pi*n/2)**2/np.pi/n for n in range(1, order+1)]
co1 = [2*np.sin(np.pi*n/2)**2/np.pi/n for n in range(-order, 0)]
co = co1+[0]+ co
# out = signal.filtfilt(b=co, a=1, x=x, padlen=int((order-1)/2))
out = signal.convolve(x, co, mode='same', method='direct')
envolope = np.sqrt(out**2 + x**2)
if pic is not None:
w, h = signal.freqz(b=co, a=1, worN=2048, whole=False, plot=None, fs=2*np.pi)
fig, ax1 = plt.subplots()
ax1.set_title('hilbert filter frequency response')
ax1.plot(w, 20 * np.log10(abs(h)), 'b')
ax1.set_ylabel('Amplitude [dB]', color='b')
ax1.set_xlabel('Frequency [rad/sample]')
ax2 = ax1.twinx()
angles = np.unwrap(np.angle(h))
ax2.plot(w, angles, 'g')
ax2.set_ylabel('Angle (radians)', color='g')
ax2.grid()
ax2.axis('tight')
# plt.savefig(pic + 'hilbert_filter.jpg')
plt.show()
# plt.clf()
# plt.close()
return envolope
start = time.time()
env0 = hilbert_filter(time_series, fs, 81, pic=True)
end = time.time()
a = end-start
print(a)
plt.figure()
ax1 = plt.subplot(211)
plt.plot(time_series)
ax2 = plt.subplot(212)
plt.plot(env0)
plt.xlabel('time')
plt.ylabel('mag')
plt.title('envolope of music by FIR \n time:%.3f'%a)
plt.tight_layout()
start = time.time()
# 使用scipy库函数实现希尔伯特变换
env = np.abs(signal.hilbert(time_series))
end = time.time()
a = end-start
print(a)
plt.figure()
ax1 = plt.subplot(211)
plt.plot(time_series)
ax2 = plt.subplot(212)
plt.plot(env)
plt.xlabel('time')
plt.ylabel('mag')
plt.title('envolope of music by scipy \n time:%.3f'%a)
plt.tight_layout()
plt.show()使用chirp信号对两种方法进行比较
FIR滤波器的频率响应
使用音频信号对两种方法进行比较
由于音频信号时间较长，采样率较高，因此离散信号序列很长。使用频域方法做FFT和IFFT要耗费比较长的时间；然而使用时域方法只是和滤波器冲击响应做卷积，因此运算速度比较快。结果对比如下：
频域方法结果
时域方法结果
由此看出，时域方法耗费时间要远小于频域方法。
1、云计算，典型应用OpenStack。2、WEB前端开发，众多大型网站均为Python开发。3.人工智能应用，基于大数据分析和深度学习而发展出来的人工智能本质上已经无法离开python。4、系统运维工程项目，自动化运维的标配就是python+Django/flask。5、金融理财分析，量化交易，金融分析。6、大数据分析。
关于“Python基于FIR如何实现Hilbert滤波器求信号包络”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
