如何用Python去除50Hz-10kHz线性调频（chirp）信号中的平稳噪声

针对混有平稳噪声的50Hz-10kHz线性调频信号，以下是几种高效的降噪方案，附Python实现代码：

1. 带通滤波（最直接方案） #

因为已知信号的精确频率范围（50Hz-10kHz），带通滤波可以直接滤除带外的平稳噪声，是最直观的解决方案。推荐使用巴特沃斯滤波器，它在通带内具有平坦的幅频特性，能最大程度保留信号原始形态。

代码实现： #

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

# 生成测试信号：50Hz到10kHz的线性调频信号 + 平稳白噪声
fs = 44100  # 采样率，满足奈奎斯特准则（至少2倍最高频率）
t = np.linspace(0, 1, fs, endpoint=False)
chirp_signal = signal.chirp(t, f0=50, f1=10000, t1=1, method='linear')
noise = np.random.normal(0, 0.5, len(chirp_signal))
noisy_signal = chirp_signal + noise

# 设计巴特沃斯带通滤波器
lowcut = 50
highcut = 10000
order = 4  # 阶数越高过渡带越陡，按需调整
nyq = 0.5 * fs
low = lowcut / nyq
high = highcut / nyq
b, a = signal.butter(order, [low, high], btype='band')

# 应用滤波（filtfilt避免相位偏移）
filtered_signal = signal.filtfilt(b, a, noisy_signal)

# 绘图对比
plt.figure(figsize=(12, 8))
plt.subplot(3,1,1)
plt.plot(t, chirp_signal)
plt.title('原始线性调频信号')
plt.subplot(3,1,2)
plt.plot(t, noisy_signal)
plt.title('混有平稳噪声的信号')
plt.subplot(3,1,3)
plt.plot(t, filtered_signal)
plt.title('带通滤波后的信号')
plt.tight_layout()
plt.show()

2. 维纳滤波（利用噪声统计特性） #

维纳滤波器通过估计信号和噪声的功率谱，最小化输出信号与原始信号的均方误差，适合平稳噪声场景。如果能获取纯噪声样本（比如信号未出现时的噪声片段），降噪效果会更精准。

代码实现： #

from scipy.signal import wiener

# 假设前1000个采样点为纯噪声样本
noise_sample = noisy_signal[:1000]
noise_var = np.var(noise_sample)
# 应用维纳滤波
wiener_filtered = wiener(noisy_signal, mysize=5, noise=noise_var)

# 绘图对比
plt.figure(figsize=(12, 6))
plt.subplot(2,1,1)
plt.plot(t, noisy_signal)
plt.title('混有平稳噪声的信号')
plt.subplot(2,1,2)
plt.plot(t, wiener_filtered)
plt.title('维纳滤波后的信号')
plt.tight_layout()
plt.show()

3. LMS自适应滤波（无需预先知道噪声特性） #

最小均方（LMS）自适应滤波器通过迭代调整权重，实时跟踪并抵消平稳噪声，不需要预先知道噪声的频率范围或统计特性，适合噪声特性缓慢变化的平稳场景。

代码实现： #

def lms_filter(input_signal, desired_signal, mu=0.001, order=100):
    """实现LMS自适应滤波"""
    n = len(input_signal)
    weights = np.zeros(order)
    output = np.zeros(n)
    for i in range(order, n):
        x = input_signal[i-order:i][::-1]
        output[i] = np.dot(weights, x)
        error = desired_signal[i] - output[i]
        weights += mu * error * x
    return output

# 用噪声作为参考输入（实际场景可从系统其他通道获取独立噪声）
ref_noise = noise.copy()
lms_output = lms_filter(ref_noise, noisy_signal)

# 绘图对比
plt.figure(figsize=(12, 6))
plt.subplot(2,1,1)
plt.plot(t, noisy_signal)
plt.title('混有平稳噪声的信号')
plt.subplot(2,1,2)
plt.plot(t, lms_output)
plt.title('LMS自适应滤波后的信号')
plt.tight_layout()
plt.show()

方案选择建议： #

• 已知信号精确频率范围时，优先选带通滤波，实现简单且效果稳定；
• 能获取纯噪声样本时，维纳滤波可进一步优化降噪效果；
• 无法预先获取噪声信息时，LMS自适应滤波是更灵活的选择。

内容的提问来源于stack exchange，提问作者VJA