update at 2026-10-12 16:25:51

This commit is contained in:
douboer
2026-10-12 16:25:51 +08:00
parent db63516781
commit a484c7914f
67 changed files with 30357 additions and 193 deletions

View File

@@ -0,0 +1,154 @@
"""通道校准:基线扣除、增益归一化、延时校准与时间重建(仅依赖 numpy)。
校准三步对应 docs/实现方案.md §7.3:
1. 基线扣除(尾段均值 / 显式传入);
2. 增益归一化(参考通道峰值对齐);
3. 延时校准——两种方法供教学比较:
- "标定值":使用外部标定得到的延时(模拟器可提供真实延时 + 可调标定残差,
对应原项目误差机制表中"延时标定误差");
- "互相关":仅用采样数据互相关估计(只能分辨 Δt 整数周期,
亚采样相位无法恢复——教学点:互相关校准的粒度限制)。
"""
import numpy as np
def estimate_baseline(y, tail_frac=0.2):
"""尾段均值估计基线(若衰减尾部未归零则高估——教学点)。"""
y = np.asarray(y, dtype=float)
tail_n = max(1, int(len(y) * tail_frac))
return float(np.mean(y[-tail_n:]))
def subtract_baseline(y, baseline=None, tail_frac=0.2):
"""扣除基线;返回 (去基线序列, 基线值)。"""
b = baseline if baseline is not None else estimate_baseline(y, tail_frac)
return np.asarray(y, dtype=float) - b, float(b)
def normalize_gain(y, ref_peak):
"""以参考峰值对齐通道幅度;返回 (归一化序列, 增益系数)。"""
y = np.asarray(y, dtype=float)
peak = float(np.max(np.abs(y)))
if peak <= 0:
return y, 1.0
g = ref_peak / peak
return y * g, g
def estimate_delay_cross_corr(ref_y, sig_y, dt_ns):
"""互相关估计相对延时:只能得到 Δt 整数倍的滞(教学点)。"""
ref = np.asarray(ref_y, dtype=float)
sig = np.asarray(sig_y, dtype=float)
m = min(len(ref), len(sig))
cc = np.correlate(sig[:m], ref[:m], mode="full")
lag = int(np.argmax(cc) - (m - 1))
return float(lag) * dt_ns, int(lag)
def rebuild(t_adc, y, delay_used, dt_ns):
"""时间重建(Redis):u = t_adc − delay,合并后按时间排序。
delay_used 为每通道使用的延时(名义 / 标定 / 互相关估计)。
"""
t_all, y_all = [], []
for k in range(len(t_adc)):
u = np.asarray(t_adc[k], dtype=float) - float(delay_used[k])
mask = u >= 0
t_all.append(u[mask])
y_all.append(np.asarray(y[k], dtype=float)[mask])
if not t_all:
return np.array([]), np.array([])
t_re = np.concatenate(t_all)
y_re = np.concatenate(y_all)
order = np.argsort(t_re)
return t_re[order], y_re[order]
def calibrate_channels(channels, dt_ns, delay_est_ns=None, method="nominal",
tail_frac=0.2, do_baseline=True, do_gain=True,
baseline_known=None):
"""三步校准(基线 → 增益 → 延时)并重建统一时间轴。
参数:
channels acquisition.run_multi_channel 返回的 channels 列表(dict)
dt_ns 采样间隔
delay_est_ns 各通道校准延时(长度=通道数);None 时按 method 选择
method "nominal"(设计延时)/ "cross_corr"(互相关整数粒度)
do_baseline 是否做基线扣除(False → 原始信号直接重建,模拟"不校准")
do_gain 是否做增益归一(False → 不归一)
baseline_known 每通道已知基线(None → 尾段估计;传 0 表示"标定已知无基线")
返回 dict:baselines、gains、delay_used_ns、t_rebuilt、y_rebuilt、
n_points、continuity(相邻点跳变统计)。
"""
n = len(channels)
t_adc = [ch["t_adc"] for ch in channels]
y_meas = [ch["y_samples"] for ch in channels]
# 1) 基线
baselines = []
debased = []
for k, y in enumerate(y_meas):
if not do_baseline:
baselines.append(0.0)
debased.append(np.asarray(y, dtype=float))
elif baseline_known is not None:
b = float(baseline_known[k])
baselines.append(b)
debased.append(np.asarray(y, dtype=float) - b)
else:
d, b = subtract_baseline(y, tail_frac=tail_frac)
baselines.append(b)
debased.append(d)
# 2) 增益归一化(参考通道 = index 0)
ref_peak = float(np.max(np.abs(debased[0]))) if n else 1.0
gains = []
normed = []
for d in debased:
if not do_gain:
gains.append(1.0)
normed.append(d)
else:
g, fact = normalize_gain(d, ref_peak)
gains.append(fact)
normed.append(g)
# 3) 延时
if delay_est_ns is not None:
d_used = [float(v) for v in delay_est_ns]
elif method == "cross_corr":
d_used = [0.0]
for k in range(1, n):
d, _ = estimate_delay_cross_corr(normed[0], normed[k], dt_ns)
d_used.append(d)
else: # nominal:各通道设计延时(含真实误差需另行传入才体现)
d_used = [float(ch["delay_ns"]) for ch in channels]
# 4) 重建
t_re, y_re = rebuild(t_adc, normed, d_used, dt_ns)
return {
"n_channels": n,
"baselines": baselines,
"gains": gains,
"delay_used_ns": d_used,
"t_rebuilt": t_re,
"y_rebuilt": y_re,
"n_points": int(len(t_re)),
"continuity": continuity_metrics(t_re, y_re),
}
def continuity_metrics(t, y):
"""重建曲线不连续度:相邻点归一化跳变的最大/平均统计。"""
t = np.asarray(t, dtype=float)
y = np.asarray(y, dtype=float)
if len(t) < 2:
return {"max_jump": 0.0, "mean_jump": 0.0, "rms_jump": 0.0}
amp = float(np.max(np.abs(y))) if np.max(np.abs(y)) > 0 else 1.0
jumps = np.abs(np.diff(y)) / amp
return {
"max_jump": float(np.max(jumps)),
"mean_jump": float(np.mean(jumps)),
"rms_jump": float(np.sqrt(np.mean(jumps ** 2))),
}