C++與Python在數字信號處理中的協作

C++和Python在數字信號處理（DSP）中的協作非常常見，因為它們各自具有獨特的優勢。C++以其高性能和低級別訪問能力而聞名，而Python則以其易用性和豐富的庫支持而受到歡迎。以下是一些C++和Python在DSP中協作的示例：

1. 使用C++進行高性能計算

C++可以用于編寫高性能的數字信號處理算法，例如濾波器實現、頻譜分析和信號增強。這些算法通常需要大量的計算資源和低延遲，因此C++是理想的選擇。

// 示例：C++編寫的簡單濾波器
#include <iostream>
#include <vector>

void apply_filter(const std::vector<double>& input, std::vector<double>& output, const std::vector<double>& coefficients) {
    for (size_t i = 0; i < input.size(); ++i) {
        double sum = 0.0;
        for (size_t j = 0; j < coefficients.size(); ++j) {
            if (i >= j) {
                sum += input[i - j] * coefficients[j];
            }
        }
        output[i] = sum;
    }
}

int main() {
    std::vector<double> input = {1.0, 2.0, 3.0, 4.0, 5.0};
    std::vector<double> coefficients = {0.5, 0.5};
    std::vector<double> output(input.size());

    apply_filter(input, output, coefficients);

    for (double val : output) {
        std::cout << val << " ";
    }
    std::cout << std::endl;

    return 0;
}

2. 使用Python進行數據處理和可視化

Python具有強大的數據處理和可視化庫，例如NumPy、SciPy和Matplotlib。這些庫可以用于數據預處理、統計分析、頻譜分析和結果可視化。

import numpy as np
import matplotlib.pyplot as plt

# 示例：Python編寫的頻譜分析
def plot_spectrum(signal, sample_rate):
    # 計算頻譜
    frequencies = np.fft.fftfreq(len(signal), 1 / sample_rate)
    spectrum = np.abs(np.fft.fft(signal))

    # 繪制頻譜
    plt.figure()
    plt.plot(frequencies[:len(frequencies)//2], spectrum[:len(spectrum)//2])
    plt.xlabel('Frequency (Hz)')
    plt.ylabel('Amplitude')
    plt.title('Spectrum')
    plt.show()

# 示例信號
signal = np.sin(2 * np.pi * 10 * np.arange(0, 1, 0.01)) + np.sin(2 * np.pi * 20 * np.arange(0, 1, 0.01))
sample_rate = 1000.0

plot_spectrum(signal, sample_rate)

3. 使用C++和Python進行混合編程

為了充分利用C++的高性能和Python的易用性，可以使用C++編寫核心算法，并通過Python接口與Python代碼進行交互。這可以通過Cython、ctypes或SWIG等工具實現。

使用Cython示例

Cython是一種編程語言，它擴展了Python，允許在C++中編寫代碼，并將其編譯為Python擴展模塊。

# example.pyx
import numpy as np
cimport numpy as np

def apply_filter(np.ndarray[double, ndim=1] input, np.ndarray[double, ndim=1] output, np.ndarray[double, ndim=1] coefficients):
    cdef int i, j
    for i in range(input.shape[0]):
        double sum = 0.0
        for j in range(coefficients.shape[0]):
            if i >= j:
                sum += input[i - j] * coefficients[j]
        output[i] = sum

# setup.py
from setuptools import setup
from Cython.Build import cythonize
import numpy as np

setup(
    ext_modules=cythonize("example.pyx", include_path=[np.get_include()])
)

編譯和安裝Cython模塊：

python setup.py build_ext --inplace

然后在Python中使用生成的模塊：

import example

input_signal = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
coefficients = np.array([0.5, 0.5])
output_signal = np.zeros_like(input_signal)

example.apply_filter(input_signal, output_signal, coefficients)

print(output_signal)

通過這種方式，C++的高性能計算和Python的數據處理及可視化能力可以緊密結合，從而在數字信號處理領域實現更高效的工作流程。