cupyx.scipy.signal.freqz#

cupyx.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 (array_like) – 线性滤波器的分子。如果 b 的维数大于 1，则假定系数存储在第一维中，并且 b.shape[1:]、a.shape[1:] 以及频率数组的形状必须兼容广播。
a (array_like) – 线性滤波器的分母。如果 b 的维数大于 1，则假定系数存储在第一维中，并且 b.shape[1:]、a.shape[1:] 以及频率数组的形状必须兼容广播。
worN ({None, int, array_like}, optional) –
如果是一个整数，则计算该数量的频率（默认为 N=512）。这是一种便捷的替代方法，替代了
```
cupy.linspace(0, fs if whole else fs/2, N,
              endpoint=include_nyquist)
```
使用对 FFT 计算快速的数字可以实现更快的计算（参见备注）。

如果是一个 array_like 对象，则计算给定频率处的响应。这些频率的单位与 fs 相同。
whole (bool, optional) – 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，则计算从 0 到 fs 的频率。如果 worN 是 array_like，则忽略此参数。
plot (callable) – 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。这对于在 freqz 函数内部绘制频率响应很有用。
fs (float, optional) – 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, pi)）。
include_nyquist (bool, optional) – 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），否则将忽略。

返回:

w (ndarray) – 计算 h 时的频率，单位与 fs 相同。默认情况下，w 被归一化到 [0, pi) 的范围（弧度/样本）。
h (ndarray) – 频率响应，为复数。

另请参见

freqz_zpk, sosfreqz, scipy.signal.freqz

备注

将 Matplotlib 的 matplotlib.pyplot.plot() 函数用作 plot 的可调用对象会产生意外结果，因为它绘制的是复数传递函数的实部，而不是幅度。请尝试 lambda w, h: plot(w, cupy.abs(h))。

满足以下条件时，使用通过 (R)FFT 的直接计算来计算频率响应：

为 worN 指定了整数值。
通过 FFT 计算 worN 很快（即 next_fast_len(worN) <scipy.fft.next_fast_len> 等于 worN）。
分母系数是一个单一值（a.shape[0] == 1）。
worN 的长度至少与分子系数的长度相同（worN >= b.shape[0]）。
If b.ndim > 1, then b.shape[-1] == 1.

对于长 FIR 滤波器，FFT 方法比等效的直接多项式计算具有更低的误差，并且速度快得多。