我有一个信号，我正在使用带通滤波器来限制频率范围。我也有兴趣通过它们的幅度过滤信号中的剩余频率（在带通滤波之后）。因此，例如，如果我将带通滤波器设置为排除 20-100 Hz 范围之外的频率，我还需要一个“幅度滤波器”来排除剩余分量，如果它们的幅度范围超出例如 0.2-0.8。
请参阅下面的粗图。应保留黑色矩形内的区域。
请让我知道是否：
谢谢你。
这可以通过分析时频表示来完成，如 CWT 或 STFT。然而，必须精确地知道目标才能获得所需的结果，因为时间和频率是耦合的，单独的目标幅度可能会产生失真。步骤是：
下面我生成线性调幅余弦，使用两个小波设置的同步压缩 CWT 排除 0.2-0.8 之外的幅度，并将结果与已排除的幅度生成的相同余弦进行比较。
它不会总是很好地解决这个问题。
与非同步压缩 CWT/STFT 相比的优势在于合并了频繁不确定性包络，这些包络会留下残余分量，如下所示：
澄清“剩余分量”：x轴=时间，y轴=频率；缩放：
这些是根据不确定性原理：比“真实频率”稍高和稍低的频率与非零值相关，但它们离“真实频率”越远，相关性越弱，因此按幅度进行阈值处理将保持这些“剩余" 频率，而在 SSQ 中，它们被合并并丢弃在一起。
使用squeezepy。
import numpy as np
from ssqueezepy import cwt, icwt, Wavelet, ssq_cwt, issq_cwt
from ssqueezepy.visuals import imshow, plot
def filter_amplitude(x, xtarget, amin, amax, transform=ssq_cwt):
wavelet = Wavelet(('gmw', {'beta': 60}))
S = transform(x, wavelet)[0]
name = transform.__name__.upper()
imshow(S, abs=1, title="abs(%s)" % name)
Sa = np.abs(S)
S[Sa < amin * Sa.max()] = 0
S[Sa > amax * Sa.max()] = 0
imshow(S, abs=1, title="abs(%s) | amplitude-filtered" % name)
transform_inverse = issq_cwt if name == 'SSQ_CWT' else icwt
xrec = transform_inverse(S, wavelet)
##########################################################################
mae = np.mean(np.abs(xtarget - xrec))
plot(xrec, ylims=(-1, 1), title="result", show=1)
plot(xrec, ylims=(-1, 1), title="overlapped with target | MAE=%.3f" % mae)
plot(xtarget, show=1)
#%%###########################################################################
N = 2049
amin, amax = .2, .8
t = np.linspace(0, 1, N, 1)
A = np.linspace(0, 1, N, 1)
c = np.cos(2*np.pi * 64 * t)
x = c * A
xtarget = c * A * ((A > amin) * (A < amax))
plot(x, title="input", ylims=(-1, 1), show=1)
plot(xtarget, title="target", ylims=(-1, 1), show=1)
#%%
filter_amplitude(x, xtarget, amin, amax, transform=ssq_cwt)
filter_amplitude(x, xtarget, amin, amax, transform=cwt)