Vous pouvez atteindre cet objectif par la numpy.aléatoire.normal function, qui attire un nombre donné d'échantillons à partir d'une distribution Gaussienne.
import numpy
import matplotlib.pyplot as plt
mean =0
std =1
num_samples =1000
samples = numpy.random.normal(mean, std, size=num_samples)
plt.plot(samples)
plt.show()
numpy.random.standard_normal(size=num_samples) peut également être utilisé lors de moyenne=0, et std=1 Vous pouvez le faire avec n'importe quel type de distribution dans la mesure où il n'y a pas autocorrélations dans le signal. "numpy.aléatoire.uniforme(faible=0.0, haut=1.0, taille=1000)", "np.aléatoire.triangulaire(-3, 0, 8, 100000)" obtiendrez également un bruit blanc. Vous pouvez aussi avoir une corrélation de traitement du signal et aléatoire à l'aide de "numpy.aléatoire.shuffle" pour arriver à un bruit blanc.
Mais depuis je trouve de plus en plus de réponses à des questions similaires écrit comme numpy.random.normal, je soupçonne un peu de description est nécessaire. Si je comprends Wikipédia (et quelques cours à l'Université) correctement, Gauss et de Bruit Blanc sont deux choses distinctes. Le bruit blanc est Uniforme distribution Normale (Gaussienne).
import numpy.random as nprnd
import matplotlib.pyplot as plt
num_samples =10000
num_bins =200
samples = numpy.random.random(size=num_samples)
plt.hist(samples, num_bins)
plt.show()
C'est ma première réponse, donc si vous corrigez les erreurs éventuellement faite par moi ici, je serai heureux de le mettre à jour. Merci =)
White noise has Uniform distribution, not Normal (Gaussian). Bruit blanc doit avoir une distribution Uniforme sur fréquences, mais il peut avoir n'importe quelle distribution sur le (par exemple la Normale). Comme dit Wikipedia: "le bruit blanc est un signal aléatoire ayant une intensité égale à différentes fréquences". Cela signifie que vous pouvez avoir tout type de fichier PDF pour le signal tant qu'il n'y a pas temporaire des corrélations. Donc un bruit Blanc peut avoir une distribution Uniforme, Normale de distribution ou d'autres types de distributions Cette réponse est incorrecte. Le bruit blanc est un processus continu de aucun non corrélés processus aléatoire, comme uniforme ou normale. Toutefois, si vous numériser, vous devez appliquer un filtre passe-bande à la fréquence de Nyquist, sinon votre rapprochement des processus continu qui contient de l'aliasing. Il s'avère que bandpassing bruit blanc résultats dans un discret processus aléatoire où chaque échantillon est sélectionné à partir d'une Gaussienne/distribution normale. C'est le résultat de votre confusion. Gaussien et de bruit blanc sont la même chose dans les processus discrets. Gaussien est un sous-ensemble continue des processus de bruit blanc.
Créer des échantillons aléatoires avec une distribution normale (Gaussienne) avec numpy.random.normal:
import numpy as np
import seaborn as sns
mu, sigma =0,1# mean and standard deviation
s = np.random.normal(mu, sigma, size=1000)# 1000 samples with normal distribution# seaborn histogram with Kernel Density Estimation
sns.distplot(s, bins=40, hist_kws={'edgecolor':'black'})
Vous pouvez atteindre cet objectif par la
numpy.aléatoire.normalfunction, qui attire un nombre donné d'échantillons à partir d'une distribution Gaussienne.numpy.random.standard_normal(size=num_samples)peut également être utilisé lors de moyenne=0, et std=1Vous pouvez le faire avec n'importe quel type de distribution dans la mesure où il n'y a pas autocorrélations dans le signal. "numpy.aléatoire.uniforme(faible=0.0, haut=1.0, taille=1000)", "np.aléatoire.triangulaire(-3, 0, 8, 100000)" obtiendrez également un bruit blanc. Vous pouvez aussi avoir une corrélation de traitement du signal et aléatoire à l'aide de "numpy.aléatoire.shuffle" pour arriver à un bruit blanc.
OriginalL'auteur Sam
Réponse courte est
numpy.random.random(). Numpy description du siteMais depuis je trouve de plus en plus de réponses à des questions similaires écrit comme
numpy.random.normal, je soupçonne un peu de description est nécessaire. Si je comprends Wikipédia (et quelques cours à l'Université) correctement, Gauss et de Bruit Blanc sont deux choses distinctes. Le bruit blanc est Uniforme distribution Normale (Gaussienne).C'est ma première réponse, donc si vous corrigez les erreurs éventuellement faite par moi ici, je serai heureux de le mettre à jour. Merci =)
White noise has Uniform distribution, not Normal (Gaussian).Bruit blanc doit avoir une distribution Uniforme sur fréquences, mais il peut avoir n'importe quelle distribution sur le (par exemple la Normale).Comme dit Wikipedia: "le bruit blanc est un signal aléatoire ayant une intensité égale à différentes fréquences". Cela signifie que vous pouvez avoir tout type de fichier PDF pour le signal tant qu'il n'y a pas temporaire des corrélations. Donc un bruit Blanc peut avoir une distribution Uniforme, Normale de distribution ou d'autres types de distributions
Cette réponse est incorrecte. Le bruit blanc est un processus continu de aucun non corrélés processus aléatoire, comme uniforme ou normale. Toutefois, si vous numériser, vous devez appliquer un filtre passe-bande à la fréquence de Nyquist, sinon votre rapprochement des processus continu qui contient de l'aliasing. Il s'avère que bandpassing bruit blanc résultats dans un discret processus aléatoire où chaque échantillon est sélectionné à partir d'une Gaussienne/distribution normale. C'est le résultat de votre confusion. Gaussien et de bruit blanc sont la même chose dans les processus discrets. Gaussien est un sous-ensemble continue des processus de bruit blanc.
OriginalL'auteur user8866568
Créer des échantillons aléatoires avec une distribution normale (Gaussienne) avec
numpy.random.normal:OriginalL'auteur Mehran Yarah