def analog_filter_plot():
freq_sampling = 4.0 # Hz
num_points = 1024
freq_axis = calc_half_fs_axis(num_points, freq_sampling)
params = (1.7, 1.0, 1.5, 3.0)
h, phi, freq_axis, h_db = calc_analog_filter_curves(
params,
freq_axis,
af_order2_asym_delay)
cut_position = get_cut_position(h_db)
# Рисуем
plot_normalize_analog(h, phi, freq_axis, freq_sampling, cut_position)
show()
def main():
# Исходные параметры
voltage_agc_ref = 1.2 # V - AGC - auto gain control
dVoltage = 0.6 # V - тестовый скачек
tau = 15.0 # оценочное врем переходный процессов
window_metro = tau*3 # sec.
Fs = 30.0 # freq. sampling - Hz ; with oversampling
num_points = window_metro*Fs # сколько отсчетов берем
# Задаем начальное приближение
# Все времена порядка секунд
T1 = 2.0
T2 = 1.0
dt = 0.0
max_dtemperature = 3.0
temperature_ref = 70.0
zero_point = (T1, T2, dt, max_dtemperature, temperature_ref)
axis = XAxis(num_points, 1/Fs) # Общая временная ось
# Получить измеренные кривые
print 'Measures processing...'
if False:
print "num_points: ", num_points
count_curves = 6
curves = get_list_curves(axis=axis, count_curves=count_curves)
# Оцениваем все параметры кривых
params = get_notes(curves, axis, zero_point)
if False:
x = axis.get_axis()
for curve in curves:
#plot(x, curve,'b')
pass
for record in params:
#plot(x, wrapper_for_finding_2l_del_full(record, x),'r')
pass
#grid(); show()
# Усредняем
if False:
# Предыдущее условие должно быть True
# Рассчитываем
mean_params = mean_list_lists(params)
else:
# Используем уже полученные результаты
mean_params = [ 5.32255626, 3.07633474, 0.88892465, 2.14692147, 69.83541651]
print 'Mean params =', mean_params
# Оценка стойкости к зашумленности исходных данных
# Рассматривается только аддитивный белый гауссовский шум
# Как показывают опыты, если шум мал, то все параметры оцениваются
# достаточно точно.
#
# Не будем использовать - слишком долго считает
if False:
count_curves= 100
sigma = 0.03 # зашумленность сигнала
curves = []
for i in range(count_curves):
noise = gen.get_gauss_noise(sigma, len(axis.get_axis()))
curve = get_list_art_curves(
axis=axis,
noise=noise,
count_curves=count_curves,
base_params=mean_params)
curves.append(curve[0])
x = axis.get_axis()
for curve in curves:
#plot(x, curve,'b')
pass
#show()
params = get_notes(curves, axis, zero_point)
T1_set = []
for record in params:
T1_set.append(record[0])
pass
print T1_set
hist(T1_set, 20) # Гистограмма
show()
# Рассчитываем незашумленную кривую
work_freq = 3.0 # Hz
T1, T2, dt, max_dtemperature, temperature_ref = mean_params
params = T1, T2, dt, max_dtemperature/dVoltage, temperature_ref
if True:
# Аналоговая часть
print '\nAnalog...'
num_points = 1024
freq_axis = calc_half_fs_axis(num_points, work_freq)
h, phi, freq_axis, h_db, h_complex = calc_analog_filter_curves(
params,
freq_axis,
af_order2_asym_delay)
cut_position = get_cut_position(h_db)
# Рисуем
# Запас по фазе должен быть больше -180 (-120...)
rest_phase, rest_ampl = get_stability_notes(h_complex)
print 'Phase rest =', rest_phase
print 'Phase magnitude =', 1/rest_ampl
plot_normalize_analog(h, phi, freq_axis, work_freq, cut_position)
#show()
if True:
# Цифровая часть
print '\nDigital...'
b, a, fs = calc_digital_characteristics(params[:-1], work_freq)
# Моделирование сдвига сигнала во времени
# Точность моделирования задержки - такт. Округляем в большую сторону
delay = zeros(work_freq*dt+2)
delay[-1] = 1
b = (P(b)*P(delay)).coef
print 'b =',b
print 'a =', a
h, w = get_dfilter_axises(b, a)
rest_phase, rest_ampl = get_stability_notes(h)
print 'Phase rest =', rest_phase
print 'Phase magnitude =', 1/rest_ampl
""" View """
#impz(b, a)
mfreqz(h, w)
show()
if False:
# Оценка точности
pass
if True:
# Оценка устойчивости
pass
# Решение проблем, связанных с переходом
# от дискретной системы к цифровой
if False:
# Исследование комбинации фильтра, сглаживающего
# сигнал ошибки и усилителя
pass