Liens :
|
: | Sujet en version normale |
|
: | Degré d'aide |
Séquence 8 : Performances SLCI
& correcteur numérique
| | ① |
Séquence 6 : Ingénierie numérique
|
Sujet au format Jupyter NoteBook |
Séquence 5 : Rendement
Séquence 4 : Identification de l'inertie
| | ① | | | ② | |
| | ① | | | ② | |
| | ① | | | ② | |
| | ① | | | ② | |
| | ① | | | ② |
Séquence 2 : Loi entrée-sortie
| | ① | | | ② | |
| | ① | | | ② | |
| | ① | | | ② | |
| | ① | | | ② | |
| | ① | | | ② |
Séquence 5 : Portail deux vantaux
Filtrage numérique
Moyenne mobile
Ce filtrage présente des inconvénients que dévoile la transformée de Fourier : le filtrage des fréquences par moyenne glissante est très irrégulier.
from numpy import mean
def moyenneMobile (l, n):
# Taille de la liste
taille = len (l)
# Créer une liste aussi grande que les données
resultat = [ None ]* taille
for i in range ( taille ):
# chercher les bornes de la sous liste dont on doit faire la moyenne
a, b = i - n, i + n + 1
# les bornes doivent compatible avec la liste
a, b = max (0, a), min(b, taille )
# Faire la moyenne
resultat [i] = mean (l[a:b])
return resultat
Médiane mobile
from numpy import median
def medianeMobile (l, n):
# Taille de la liste
taille = len (l)
# Créer une liste aussi grande que les données
resultat = [ None ]* taille
for i in range ( taille ):
# chercher les bornes de la sous liste dont on doit prendre la mé diane
a, b = i - n, i + n + 1
# les bornes doivent compatible avec la liste
a, b = max (0, a), min(b, taille )
# Prendre la mé diane
resultat [i] = median (l[a:b])
return resultat