Volviendo al CSC

Simulaciones/Funciones.py

@@ -0,0 +1,55 @@
+def Cargar_datos_y_señal(Link):
+	Datos = scipy.io.loadmat(Link)
+
+	Datos_Complejos = Datos['radar_I'] + 1j* Datos['radar_Q'] 
+
+	fase = Obtener_angulos(Datos_Complejos)
+	fase = fase - np.mean(fase)
+
+	return Datos, fase
+
+def Obtener_angulos(Datos):
+
+	Resultado = np.zeros(len(Datos))
+	Desfasaje = 0
+	for i in range(len(Resultado)):
+
+		### Siempre cargo el primer caso sin importar que
+		if i == 0:
+			Angulo = np.angle(Datos[0,0])
+			Resultado[0] = Angulo
+			continue
+
+		### Calculo el angulo del dato
+		Angulo_anterior = Angulo
+		Angulo = np.angle(Datos[i])
+
+		if np.sign(Angulo_anterior) != np.sign(Angulo) and np.abs(Angulo) > 2:
+			Desfasaje += np.sum(np.pi * (-2)* np.sign(Angulo))
+
+		Resultado[i] = Desfasaje + Angulo[0]
+
+	return Resultado
+
+def Resampleo_de_la_señal(Señal, frecuencia_original, nueva_frecuencia):
+
+	Señal = np.ravel(Señal)  # asegurar que es 1D
+
+	### Genero el filtro pasabajos para luego hacer el resampling
+	fc = 2.0		 # Frecuencia de corte pasa-bajos [Hz]
+	numtaps = 40	# Orden del filtro FIR (más grande = transición más suave)
+
+	nyq = fs / 2.0
+	b = firwin(numtaps, fc / nyq)   # Filtro FIR pasa-bajo lineal-fase
+	Señal_filt = lfilter(b, 1.0, Señal)
+
+	### Busco el resampling rate y lo implemento
+
+	#M = int(np.floor(fs / (4*fc)))  # margen de seguridad del 25%
+	M = int(np.floor(frecuencia_original/(2*nueva_frecuencia)))
+	M = max(1, M)				   # evitar M=0
+
+	Señal_dec = resample_poly(Señal_filt, up=1, down=M)
+	fs_new = fs / M
+
+	return Señal_dec, fs_new