Python/SciPy에서 정확한 피크 식별을 위해 find_peaks 기능을 효과적으로 활용하는 방법은 무엇입니까?

Python/SciPy용 피크 찾기 알고리즘

문제 설명

피크를 식별하는 작업은 푸리에에서 피크를 찾는 것까지 다양한 애플리케이션에서 발생합니다. 변환(FFT)을 통해 2D 배열에서 피크를 추출합니다. 일반적인 과제는 실제 피크와 노이즈로 인한 변동을 구별하는 것입니다.

Python/SciPy의 기존 피크 찾기 기능

처음부터 피크 찾기 알고리즘을 구현하는 대신 scipy 활용을 고려하세요. .signal.find_peaks 함수. 이 기능은 특정 기준에 따라 피크를 필터링하고 식별하는 옵션을 제공합니다.

find_peaks 매개변수 이해

find_peaks의 기능을 효과적으로 활용하려면 해당 매개변수를 이해하는 것이 중요합니다.

• 너비: 피크의 최소 너비
• 임계값: 피크와 인접 피크 간의 최소 차이
• 거리 : 연속된 봉우리 사이의 최소 거리
• 돌출부: 더 높은 지형에 도달하기 위해 봉우리에서 하강하는 데 필요한 최소 높이.

돌출 강조

모든 매개변수 중에서 prominence는 실제 피크와 노이즈를 구별하는 데 가장 효과적인 매개변수입니다. 그 정의에는 더 높은 피크에 도달하는 데 필요한 최소 수직 하강이 포함됩니다.

예제 적용: 주파수 가변 정현파

유용성을 설명하기 위해 잡음으로 오염된 주파수 가변 정현파를 생각해 보세요. 이상적인 솔루션은 가짜 노이즈 피크에 굴복하지 않고 피크를 정확하게 식별하는 것입니다.

코드 데모

다음 코드는 다양한 매개변수 조합과 함께 find_peaks 함수를 사용하는 방법을 보여줍니다.

<code class="python">import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import find_peaks

# Generate signal
x = np.sin(2*np.pi*(2**np.linspace(2,10,1000))*np.arange(1000)/48000) + np.random.normal(0, 1, 1000) * 0.15

# Find peaks using different parameters
peaks, _ = find_peaks(x, distance=20)
peaks2, _ = find_peaks(x, prominence=1)
peaks3, _ = find_peaks(x, width=20)
peaks4, _ = find_peaks(x, threshold=0.4)

# Plot results
plt.subplot(2, 2, 1)
plt.plot(peaks, x[peaks], "xr"); plt.plot(x); plt.legend(['distance'])
plt.subplot(2, 2, 2)
plt.plot(peaks2, x[peaks2], "ob"); plt.plot(x); plt.legend(['prominence'])
plt.subplot(2, 2, 3)
plt.plot(peaks3, x[peaks3], "vg"); plt.plot(x); plt.legend(['width'])
plt.subplot(2, 2, 4)
plt.plot(peaks4, x[peaks4], "xk"); plt.plot(x); plt.legend(['threshold'])
plt.show()</code>

결과에서 볼 수 있듯이 돌출부(두 번째 서브플롯의 파란색 선)를 사용하면 실제 피크를 효과적으로 분리하는 반면, 거리, 너비 및 임계값은 노이즈가 있는 경우 수준 이하의 성능을 제공합니다.

위 내용은 Python/SciPy에서 정확한 피크 식별을 위해 find_peaks 기능을 효과적으로 활용하는 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!