离散阵列集成numpy

Question

我正在尝试从数组acc中的加速度数据生成速度信号，我还有time另一个具有相同长度的数组numpy。

import numpy as np
import matplotlib.pyplot as plt
from scipy import integrate

time = np.array([ , , ... , , ])
acc = np.array([ , , ... , , ])
# using this
vel=integrate.cumtrapz(acc,time,initial=0)

通过一些基本的微积分，很明显解决方案应该是类似的情节，但出于某种原因，我得到了这些

有任何建议吗？也许是因为初始条件但我不确定，而且我也无法访问它们，因为它是实验数据。

我也使用相同的数据并将其放在LabVIEW上，并且整合就是这个速度图像。

但显然与plt.plot(time,vel)不一样。

Answer 1

从acc的图中，您可以粗略估计振幅为1.4，频率为136 Hz或854弧度/秒。因此，acc的粗略模型是1.4 * cos（854 * t）+ b。我忽略了振荡的相位，而b是一个太小而不能从图中估计的常数。在python中，您可以使用acc.mean()估算b。

然后，通过积分，速度应大致为1.4 / 854 * sin（854 * t）+ b * t = 0.00164 * cos（854 * t）+ b * t。所以你应该期望vel的局部峰 - 峰变化大约为0.0033，这与你vel的情节一致。

b是vel中线性趋势的斜率，并且从vel的图中，b可以估计为大约0.0085。所以我希望acc.mean()约为0.0085。这是否与您的数据一致？

Answer 2

由于细节不多： 1）是plt pylab吗？ 2）如果是这样，使用plt.plot（time，vel，'。'）来查看点的趋势，也许你可以看到一些问题。 3）查看此link

4）请发布更多详细信息，以便人们更好地了解您的问题。

希望这些话可能至少有点帮助： - ）

Answer 3

问题是您提到的初始条件。积分从任意阶段开始，具体取决于实验数据的采样。这表示添加到积分的输入的任意常数，因此是输出的线性斜坡分量。 （理想情况下，您应该在数据为零时开始采样，例如在加速开始之前，但这通常是不可能的。）

在已知输出为周期性的情况下，可以通过减去适当的线性拟合来简单地降低输出趋势。请注意，即使您小心地将其拟合为整数个周期，仅对数据拟合一条线然后减去该行也是不够的。考虑到采样数据包含1个或2个周期的情况，这是显而易见的，只有特定的起始阶段数据是对称的，并且可以计算出正确的斜率。

相反，拟合必须分三个阶段进行：1）将一条线穿过例如所有峰值，2）从数据中减去这条线，3）计算所得输出的平均值并将其减去。步骤2产生了周期性输出，消除了随时间线性上升的分量，但留下了任意偏移。最后一步是消除偏移的必要条件（假设您期望平均位移为零）。

步骤（1）可以通过其他方式完成-例如通过拟合奇数个半循环，或确保拟合来自例如第一个峰到最后一个峰。如上所述，但是，从第一个峰到最后一个谷的拟合会给出错误的斜率。