小编Som*_*ist的帖子

我正在学习数字信号处理以实现过滤器,并使用python轻松实现测试思路.所以我刚开始使用scipy.signal库来查找不同滤波器的脉冲响应和频率响应.

目前,我正在阅读"保罗·林恩(1992)的"数字信号,处理器和噪声"一书(并且发现它是学习这些东西的神奇资源).在本书中,他们有一个过滤器,其传递函数如下所示:

我将分子和分母除以 为了得到以下等式:

然后我使用Scipy实现了这个:

NumeratorZcoefs = [1, -1, 1, -1]
DenominatorZcoefs = [1, 0.54048, -0.62519, -0.66354, 0.60317, 0.69341]

FreqResponse = scipy.signal.freqz(NumeratorZcoefs, DenominatorZcoefs)
fig = plt.figure(figsize = [8, 6])
ax = fig.add_subplot(111)
ax.plot(FreqResponse[0], abs(np.array(FreqResponse[1])))
ax.set_xlim(0, 2*np.pi)
ax.set_xlabel("$\Omega$")

并生成如下图:

然而,在本书中,频率响应显示如下:

它们的形状是相同的,但是对于2个地块,在~2.3和0.5处的峰值比率是非常不同的,有人可能会说明为什么会这样吗？

编辑:

为了补充一点,我刚刚实现了一个函数来手动计算频率响应(通过计算函数的极点和零点的距离),并得到与scipy.signal生成的图表类似的比率,但是数字不一样,有谁知道为什么会这样？

实施如下:

def H(omega):
    z1 = np.array([0,0]) # zero at 0, 0
    z2 = np.array([0,0]) # Another zero at 0, 0
    z3 = np.array([0, 1]) # zero at i
    z4 = np.array([0, -1]) # zero at -i
    z5 = …

我想实例化一个 struct 实例，然后在 api 路由中调用该实例的方法。这是我想要的示例，但它会导致错误：

use axum::{http::StatusCode, routing::get, Router, Server};

#[derive(Clone)]
struct Api {
    name: String
}

impl Api {
    async fn hello(&self) -> Result<String, StatusCode> {
        Ok(format!("Hello {}!", self.name))
    }
}

#[tokio::main]
async fn main() {
    let api = Api { name: "Alice".to_owned() };

    let app = Router::new()
        .route("/hello-user", get(api.hello));

    Server::bind(&([127, 0, 0, 1], 3000).into())
        .serve(app.into_make_service())
        .await
        .unwrap();
}

use axum::{http::StatusCode, routing::get, Router, Server};

#[derive(Clone)]
struct Api {
    name: String
}

impl Api {
    async fn hello(&self) -> Result<String, …

我在使用sympy计算符号表达式的逆拉普拉斯变换时遇到了一些麻烦.在matlab和书中我正在使用表达式s /(s ^ 2 + w ^ 2)转换为cos(wt).

当我尝试使用这样的情感时这样做:

expression = s/(s**2+w**2)
Answer = sympy.inverse_laplace_transform(expression, s, t)

我明白了

Answer = (-I*exp(2*t*im(w))*sin(t*re(w)) + exp(2*t*im(w))*cos(t*re(w)) + I*sin(t*re(w)) + cos(t*re(w)))*exp(-t*im(w))*Heaviside(t)/2

我究竟做错了什么？

我在使用 GHDL ( http://ghdl.readthedocs.io/en/latest/ ) 来模拟我的 VHDL 设计时遇到问题。因此，当我使用该命令ghdl -e Averager_tb用 GHDL 编译测试台时，我收到警告：

Averager_tb.VHD:33:3:warning: component instance "uut" is not bound
Averager_tb.VHD:11:14:warning: (in default configuration of averager_tb(behaviour))

要编译用于模拟的测试平台，我使用以下命令：

ghdl -a Averager_tb.VHD # the test bench file is Averager_tb.VHD
ghdl -e Averager_tb # the entity for the test bench is Averager_tb

并且我的设计的输出在整个测试平台中保持不变，我还发现设计中的打印语句没有被执行。

要执行已编译的测试台模拟，我使用以下命令：

ghdl -r Averager_tb

然而，当我使用 Aldec Riviera Pro 2015.06 模拟器在http://www.edaplayground.com上模拟相同的测试平台时，我发现设计中的打印语句被执行并且输出按照我的预期发生变化。

为什么会这样，我该如何解决？

这是我设计中的实体声明

-- Entity Declaration in Design
entity Averager is
port (
clk : in std_logic;
ClockEnable …

我有一个随机微分方程 (SDE)，我试图使用 Milsteins 方法求解它，但得到的结果与实验不一致。

SDE 是

我已将其分解为 2 个一阶方程：

方程1：

方程2：

然后我使用了 Ito 形式：

所以对于 eq1：

对于 eq2：

我用来尝试解决这个问题的python代码是这样的：

# set constants from real data
Gamma0 = 4000  # defines enviromental damping
Omega0 = 75e3*2*np.pi # defines the angular frequency of the motion
eta = 0 # set eta 0 => no effect from non-linear p*q**2 term
T_0 = 300 # temperature of enviroment
k_b = scipy.constants.Boltzmann 
m = 3.1e-19 # mass of oscillator

# set a and b functions …

我有一些代码,我从我自己的包运行,程序使用了比它应有的更多的内存(60GB).如何在当前命名空间中打印所有对象的大小(以字节为单位),以便尝试计算出使用此内存的位置？

我尝试了类似的东西

from pympler import asizeof

for objname in dir():
    print(asizeof.asizeof(thing)/1024) # print size in kb

但它不起作用,因为它只打印包含命名空间中对象名称的字符串的大小.有没有办法获取对象引用命名空间中的所有内容以便使用此方法,还是有更好的方法来计算使用内存的内容？

我有一些数据,我已经拟合正常分布使用scipy.stats.normal对象拟合函数,如下所示:

import numpy as np                                                                                                                                                                                                                       
import matplotlib.pyplot as plt                                                                                                                                                                                                          
from scipy.stats import norm                                                                                                                                                                                                             
import matplotlib.mlab as mlab                                                                                                                                                                                                           

x = np.random.normal(size=50000)                                                                                                                                                                                                         

fig, ax = plt.subplots()                                                                                                                                                                                                                 

nbins = 75                                                                                                                                                                                                                               
mu, sigma = norm.fit(x)                                                                                                                                                                                                                  
n, bins, patches = ax.hist(x,nbins,normed=1,facecolor = 'grey', alpha = 0.5, label='before');                                                                                                                                            
y0 = mlab.normpdf(bins, mu, sigma) # Line of best fit                                                                                                                                                                                    
ax.plot(bins,y0,'k--',linewidth = 2, label='fit before')                                                                                                                                                                                 
ax.set_title('$\mu$={}, $\sigma$={}'.format(mu, sigma))                                                                                                                                                                                  

plt.show()                                                                                                                                                                                                                               

我现在想要提取拟合mu和sigma值的不确定性/误差.我怎么能这样做？

我按照http://peterdowns.com/posts/first-time-with-pypi.html上的说明将github托管的python包添加到PyPI.但是,当我尝试pip安装它并运行我的setup.py时,我得到了requirements.txt文件丢失.当我从手动下载tarball文件时,https://github.com/<username>/<mypackage>/archive/0.1.tar.gz我发现所有文件都在那里.但是,当我单击我的包的PyPI页面上的下载链接时,它会下载一个.tar.gz存档,该存档只包含python文件,配置文件和它似乎已创建的PKG-INFO文件.

其他文件都不见了,为什么会这样,我该怎么办呢？