AD変換関連計算用

import numpy as np
import matplotlib.pyplot as plt

# サンプルデータの生成
fs = 1000  # サンプリング周波数 (Hz)
t = np.arange(0, 1, 1/fs)  # 時間配列
f = 50  # 信号周波数 (Hz)
signal = np.sin(2 * np.pi * f * t)  # サイン波信号
noise = np.random.normal(0, 0.1, len(t))  # 白色ノイズ
adc_output = signal + noise  # ADC出力信号

# 量子化ノイズの計算
quantization_levels = 256  # 8ビットADCの場合
quantization_step = 2 / quantization_levels  # 量子化ステップ
quantized_signal = np.round(adc_output / quantization_step) * quantization_step
quantization_noise = adc_output - quantized_signal

# 微分非直線性誤差 (DNL) の計算
dnl = np.diff(quantized_signal) - quantization_step
dnl_max = np.max(dnl)
dnl_min = np.min(dnl)

# 積分非直線性誤差 (INL) の計算
inl = np.cumsum(dnl)
inl_max = np.max(inl)
inl_min = np.min(inl)

# 信号対雑音比 (SNR) の計算
signal_power = np.mean(signal**2)
noise_power = np.mean(noise**2)
snr = 10 * np.log10(signal_power / noise_power)

# 信号対雑音および歪み比 (SNDR) の計算
signal_plus_noise_power = np.mean(adc_output**2)
snr_plus_distortion = 10 * np.log10(signal_power / (signal_plus_noise_power - signal_power))

# スプリアスフリー動的レンジ (SFDR) の計算
fft_signal = np.fft.fft(adc_output)
fft_magnitude = np.abs(fft_signal)
sfdr = 10 * np.log10(np.max(fft_magnitude[1:]) / np.max(fft_magnitude[2:]))

# 有効ビット数 (ENOB) の計算
enob = (snr - 1.76) / 6.02

# 雑音エネルギーの計算
noise_energy = np.sum(noise**2)

# 熱雑音の計算
k = 1.38e-23  # ボルツマン定数 (J/K)
T = 300  # 温度 (K)
R = 50  # 抵抗 (Ω)
thermal_noise_power = k * T * fs / R

# 全ノイズ電力の計算
total_noise_power = noise_power + thermal_noise_power

# Figure of Merit (FoM) の計算
fom = snr * (2**enob)

# プロット
plt.figure(figsize=(14, 10))

# サイン波信号
plt.subplot(3, 2, 1)
plt.plot(t, signal, label='Signal')
plt.title('Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.grid(True)

# ノイズ
plt.subplot(3, 2, 2)
plt.plot(t, noise, label='Noise', color='r')
plt.title('Noise')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.grid(True)

# ADC出力信号
plt.subplot(3, 2, 3)
plt.plot(t, adc_output, label='ADC Output', color='g')
plt.title('ADC Output')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.grid(True)

# 量子化信号
plt.subplot(3, 2, 4)
plt.plot(t, quantized_signal, label='Quantized Signal', color='m')
plt.title('Quantized Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.grid(True)

# 量子化ノイズ
plt.subplot(3, 2, 5)
plt.plot(t, quantization_noise, label='Quantization Noise', color='c')
plt.title('Quantization Noise')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.grid(True)

plt.tight_layout()
plt.show()

# 結果の表示
print(f"DNL: Max = {dnl_max:.4f}, Min = {dnl_min:.4f}")
print(f"INL: Max = {inl_max:.4f}, Min = {inl_min:.4f}")
print(f"SNR: {snr:.2f} dB")
print(f"SNDR: {snr_plus_distortion:.2f} dB")
print(f"SFDR: {sfdr:.2f} dB")
print(f"ENOB: {enob:.2f} bits")
print(f"量子化ノイズ: {np.mean(quantization_noise**2):.4f}")
print(f"雑音エネルギー: {noise_energy:.4f}")
print(f"SN比: {snr:.2f} dB")
print(f"熱雑音: {thermal_noise_power:.4e} W")
print(f"全ノイズ電力: {total_noise_power:.4e} W")
print(f"FoM: {fom:.2f}")

import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import fft

# パラメータ設定
Fs = 1000  # サンプリング周波数 (Hz)
Fin = 50   # 入力信号の周波数 (Hz)
duration = 1  # 期間 (秒)
t = np.linspace(0, duration, int(Fs*duration), endpoint=False)  # 時間軸

# サイン波生成
amplitude = 1
signal = amplitude * np.sin(2 * np.pi * Fin * t)

# 雑音の追加
noise_amplitude = 0.1  # 雑音の振幅
noise = noise_amplitude * np.random.normal(size=t.shape)
noisy_signal = signal + noise

# 8ビットAD変換
def adc_8bit(signal):
    quantized_signal = np.round((signal + 1) * (2**7)) / (2**7) - 1
    return quantized_signal

# 10ビットAD変換
def adc_10bit(signal):
    quantized_signal = np.round((signal + 1) * (2**9)) / (2**9) - 1
    return quantized_signal

# FFTによるパワースペクトル計算
def calculate_power_spectrum(signal, Fs):
    N = len(signal)
    yf = fft(signal)
    xf = np.fft.fftfreq(N, 1/Fs)[:N//2]
    power_spectrum = 2.0/N * np.abs(yf[:N//2])**2
    return xf, power_spectrum

# SNR計算
def calculate_snr(signal, Fs):
    xf, power_spectrum = calculate_power_spectrum(signal, Fs)
    signal_power = np.sum(power_spectrum[(xf >= Fin-1) & (xf <= Fin+1)])
    noise_power = np.sum(power_spectrum) - signal_power
    snr = 10 * np.log10(signal_power / noise_power)
    return snr

# SQNR計算
def calculate_sqnr(signal, quantized_signal):
    signal_power = np.mean(signal**2)
    quantization_noise_power = np.mean((signal - quantized_signal)**2)
    sqnr = 10 * np.log10(signal_power / quantization_noise_power)
    return sqnr

# SNDR計算
def calculate_sndr(signal, Fs):
    xf, power_spectrum = calculate_power_spectrum(signal, Fs)
    signal_power = np.sum(power_spectrum[(xf >= Fin-1) & (xf <= Fin+1)])
    total_noise_power = np.sum(power_spectrum) - signal_power
    sndr = 10 * np.log10(signal_power / total_noise_power)
    return sndr

# AD変換後の信号
adc_8bit_signal = adc_8bit(noisy_signal)
adc_10bit_signal = adc_10bit(noisy_signal)

# パワースペクトル計算
xf, power_spectrum_8bit = calculate_power_spectrum(adc_8bit_signal, Fs)
_, power_spectrum_10bit = calculate_power_spectrum(adc_10bit_signal, Fs)

# SNR計算
snr_8bit = calculate_snr(adc_8bit_signal, Fs)
snr_10bit = calculate_snr(adc_10bit_signal, Fs)

# SQNR計算
sqnr_8bit = calculate_sqnr(noisy_signal, adc_8bit_signal)
sqnr_10bit = calculate_sqnr(noisy_signal, adc_10bit_signal)

# SNDR計算
sndr_8bit = calculate_sndr(adc_8bit_signal, Fs)
sndr_10bit = calculate_sndr(adc_10bit_signal, Fs)

# 結果をコンソールに表示
print(f"8ビットAD変換のSN比 (SNR): {snr_8bit:.2f} dB")
print(f"10ビットAD変換のSN比 (SNR): {snr_10bit:.2f} dB")
print(f"8ビットAD変換の量子化雑音比 (SQNR): {sqnr_8bit:.2f} dB")
print(f"10ビットAD変換の量子化雑音比 (SQNR): {sqnr_10bit:.2f} dB")
print(f"8ビットAD変換の信号対歪雑音比 (SNDR): {sndr_8bit:.2f} dB")
print(f"10ビットAD変換の信号対歪雑音比 (SNDR): {sndr_10bit:.2f} dB")

# 結果表示
plt.figure(figsize=(14, 10))

# オリジナル信号とAD変換信号のプロット
plt.subplot(3, 1, 1)
plt.plot(t, noisy_signal, label='Noisy Signal')
plt.plot(t, adc_8bit_signal, label='8-bit ADC Signal', linestyle='--')
plt.plot(t, adc_10bit_signal, label='10-bit ADC Signal', linestyle='-.')
plt.legend()
plt.title('Noisy Signal and ADC Converted Signals')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')

# 8ビットAD変換信号のパワースペクトル
plt.subplot(3, 1, 2)
plt.plot(xf, power_spectrum_8bit)
plt.title(f'Power Spectrum of 8-bit ADC Signal\n'
          f'SNR: {snr_8bit:.2f} dB, SQNR: {sqnr_8bit:.2f} dB, SNDR: {sndr_8bit:.2f} dB')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Power')

# 10ビットAD変換信号のパワースペクトル
plt.subplot(3, 1, 3)
plt.plot(xf, power_spectrum_10bit)
plt.title(f'Power Spectrum of 10-bit ADC Signal\n'
          f'SNR: {snr_10bit:.2f} dB, SQNR: {sqnr_10bit:.2f} dB, SNDR: {sndr_10bit:.2f} dB')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Power')

plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import fft

# パラメータ設定
Fs = 1000  # サンプリング周波数 (Hz)
Fin = 50   # 入力信号の周波数 (Hz)
duration = 1  # 期間 (秒)
t = np.linspace(0, duration, int(Fs*duration), endpoint=False)  # 時間軸

# サイン波生成
amplitude = 1
signal = amplitude * np.sin(2 * np.pi * Fin * t)

# 8ビットAD変換
def adc_8bit(signal):
    quantized_signal = np.round((signal + 1) * (2**7)) / (2**7) - 1
    return quantized_signal

# 量子化信号
quantized_signal = adc_8bit(signal)

# 量子化誤差
quantization_error = signal - quantized_signal

# FFTによるパワースペクトル計算
def calculate_power_spectrum(signal, Fs):
    N = len(signal)
    yf = fft(signal)
    xf = np.fft.fftfreq(N, 1/Fs)[:N//2]
    power_spectrum = 2.0/N * np.abs(yf[:N//2])**2
    return xf, power_spectrum

# オリジナル信号のFFT
xf, power_spectrum_original = calculate_power_spectrum(signal, Fs)

# 量子化誤差のFFT
_, power_spectrum_error = calculate_power_spectrum(quantization_error, Fs)

# 結果表示
plt.figure(figsize=(14, 10))

# オリジナル信号と量子化信号のプロット
plt.subplot(3, 1, 1)
plt.plot(t, signal, label='Original Signal')
plt.plot(t, quantized_signal, label='8-bit Quantized Signal', linestyle='--')
plt.legend()
plt.title('Original Signal and 8-bit Quantized Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')

# 量子化誤差のプロット
plt.subplot(3, 1, 2)
plt.plot(t, quantization_error)
plt.title('Quantization Error')
plt.xlabel('Time [s]')
plt.ylabel('Error Amplitude')

# 量子化誤差のパワースペクトル
plt.subplot(3, 1, 3)
plt.plot(xf, power_spectrum_error)
plt.title('Power Spectrum of Quantization Error')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Power')

plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt

# Parameters
Fs = 1000  # Sampling frequency (Hz)
T = 1  # Signal duration (seconds)
t = np.linspace(0, T, Fs * T, endpoint=False)  # Time axis
amplitude = 2  # Signal amplitude
input_signal = amplitude * np.sin(2 * np.pi * 5 * t)  # Input signal (e.g., 5Hz sine wave)
quantization_levels = 8  # Number of quantization levels (e.g., 8-bit ADC)
LSB = 2 * amplitude / (2 ** quantization_levels)  # Least significant bit (LSB)

# Quantization
quantized_signal = np.round(input_signal / LSB) * LSB

# Quantization error (quantization noise)
quantization_error = input_signal - quantized_signal

# Add thermal noise
k = 1.38e-23  # Boltzmann constant
T_resistor = 300  # Temperature in Kelvin
R = 1000  # Resistance in Ohms
thermal_noise_voltage_density = np.sqrt(4 * k * T_resistor * R)
thermal_noise = thermal_noise_voltage_density * np.random.normal(0, 1, len(t))

# Combined noise (quantization noise + thermal noise)
combined_noise = quantization_error + thermal_noise

# Oversampling
oversampling_factor = 4
oversampled_signal = np.repeat(input_signal, oversampling_factor)
oversampled_time = np.linspace(0, T, Fs * T * oversampling_factor, endpoint=False)
quantized_oversampled_signal = np.round(oversampled_signal / LSB) * LSB
quantization_error_oversampled = oversampled_signal - quantized_oversampled_signal

# Add thermal noise to oversampled signal
thermal_noise_oversampled = thermal_noise_voltage_density * np.random.normal(0, 1, len(oversampled_time))
combined_noise_oversampled = quantization_error_oversampled + thermal_noise_oversampled

# FFT function
def compute_fft(signal, Fs):
    N = len(signal)
    fft_vals = np.fft.fft(signal)
    fft_freqs = np.fft.fftfreq(N, 1/Fs)
    fft_vals = np.abs(fft_vals[:N//2]) / N
    fft_freqs = fft_freqs[:N//2]
    return fft_freqs, fft_vals

# Compute FFT for each signal
fft_input_freqs, fft_input_vals = compute_fft(input_signal, Fs)
fft_quantized_freqs, fft_quantized_vals = compute_fft(quantized_signal, Fs)
fft_combined_noise_freqs, fft_combined_noise_vals = compute_fft(combined_noise, Fs)
fft_oversampled_freqs, fft_oversampled_vals = compute_fft(oversampled_signal, Fs * oversampling_factor)
fft_combined_noise_oversampled_freqs, fft_combined_noise_oversampled_vals = compute_fft(combined_noise_oversampled, Fs * oversampling_factor)

# Plotting
plt.figure(figsize=(15, 12))

# FFT of input signal
plt.subplot(5, 1, 1)
plt.plot(fft_input_freqs, fft_input_vals, label='Input Signal FFT')
plt.legend()
plt.title('FFT of Input Signal')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Amplitude')

# FFT of quantized signal
plt.subplot(5, 1, 2)
plt.plot(fft_quantized_freqs, fft_quantized_vals, label='Quantized Signal FFT')
plt.legend()
plt.title('FFT of Quantized Signal')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Amplitude')

# FFT of combined noise (quantization noise + thermal noise)
plt.subplot(5, 1, 3)
plt.plot(fft_combined_noise_freqs, fft_combined_noise_vals, label='Combined Noise FFT')
plt.legend()
plt.title('FFT of Combined Noise (Quantization Noise + Thermal Noise)')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Amplitude')

# FFT of oversampled signal
plt.subplot(5, 1, 4)
plt.plot(fft_oversampled_freqs, fft_oversampled_vals, label='Oversampled Signal FFT')
plt.legend()
plt.title('FFT of Oversampled Signal')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Amplitude')

# FFT of combined noise in oversampled signal
plt.subplot(5, 1, 5)
plt.plot(fft_combined_noise_oversampled_freqs, fft_combined_noise_oversampled_vals, label='Combined Noise in Oversampled Signal FFT')
plt.legend()
plt.title('FFT of Combined Noise in Oversampled Signal')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Amplitude')

plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt

# パラメータ設定
fs = 1000  # サンプリング周波数
t = np.arange(0, 1, 1/fs)
analog_signal = np.sin(2 * np.pi * 50 * t)

# 量子化
n_bits = 6
quantization_levels = 2**n_bits
quantized_signal = np.round(analog_signal * quantization_levels) / quantization_levels

# 量子化誤差
quantization_error = analog_signal - quantized_signal

# 量子化誤差の実効値（RMS）
rms_error = np.sqrt(np.mean(quantization_error**2))
print(f"量子化誤差の実効値 (RMS): {rms_error}")

# 量子化誤差の頻度分布をプロット
plt.figure(figsize=(12, 6))
plt.hist(quantization_error, bins=30, edgecolor='k')
plt.title('Quantization Error Distribution')
plt.xlabel('Quantization Error')
plt.ylabel('Frequency')
plt.show()

# SN比の計算
signal_power = np.mean(analog_signal**2)
noise_power = np.mean(quantization_error**2)
snr = 10 * np.log10(signal_power / noise_power)
print(f"SN比: {snr} dB")

# サンプリングクロックジッタの影響をシミュレート
jitter_std = 1e-4  # ジッタの標準偏差
jitter = np.random.normal(0, jitter_std, size=t.shape)
t_jittered = t + jitter

# ジッタを含む信号のサンプリング
analog_signal_jittered = np.sin(2 * np.pi * 50 * t_jittered)
quantized_signal_jittered = np.round(analog_signal_jittered * quantization_levels) / quantization_levels
quantization_error_jittered = analog_signal_jittered - quantized_signal_jittered

# プロット
plt.figure(figsize=(12, 6))
plt.subplot(3, 1, 1)
plt.plot(t, analog_signal, label='Analog Signal')
plt.plot(t, analog_signal_jittered, label='Analog Signal with Jitter', linestyle='dashed')
plt.legend()

plt.subplot(3, 1, 2)
plt.plot(t, quantized_signal, label='Quantized Signal')
plt.plot(t, quantized_signal_jittered, label='Quantized Signal with Jitter', linestyle='dashed')
plt.legend()

plt.subplot(3, 1, 3)
plt.plot(t, quantization_error, label='Quantization Error')
plt.plot(t, quantization_error_jittered, label='Quantization Error with Jitter', linestyle='dashed')
plt.legend()

plt.show()

# ジッタのある信号のSN比
noise_power_jittered = np.mean(quantization_error_jittered**2)
snr_jittered = 10 * np.log10(signal_power / noise_power_jittered)
print(f"ジッタのある信号のSN比: {snr_jittered} dB")

import numpy as np

# 初期設定
VREF = 1.0  # 参考電圧
Ain = 0.6   # 入力電圧（例として0.6Vを使用）
N = 10      # ビット数（Nを変更可能）

# 初期条件
REF = [VREF]
D = []  # デジタル出力を保存するリスト

# シミュレーション
for i in range(1, N + 1):  # Nビットのため、1からNまで
    if Ain > REF[-1]:
        D.append(1)
        next_ref = REF[-1] + (1 / 2**i) * VREF
        threshold_expr = f'REF{i-1} + (1 / 2**{i}) * VREF'
    else:
        D.append(0)
        next_ref = REF[-1] - (1 / 2**i) * VREF
        threshold_expr = f'REF{i-1} - (1 / 2**{i}) * VREF'
    
    REF.append(next_ref)
    
    # 各ステージの出力を表示
    print(f'Stage {i}: REF = {REF[-1]:.12f}, D = {D[-1]}')
    print(f'Calculation: REF{i} = {threshold_expr}')

# デジタル出力の計算
digital_output = sum(d * 2**(N-i) for i, d in enumerate(D))
print(f'\nDigital Output: {digital_output} (Binary: {bin(digital_output)[2:].zfill(N)})')

import matplotlib.pyplot as plt

def fibonacci(n):
    fib_seq = [1, 1]
    while len(fib_seq) < n:
        fib_seq.append(fib_seq[-1] + fib_seq[-2])
    return fib_seq

def ratio_convergence(fib_seq):
    ratios = [fib_seq[i+1] / fib_seq[i] for i in range(2, len(fib_seq) - 1)]
    return ratios

# フィボナッチ数列の長さ
n = 20
fib_seq = fibonacci(n)

# 隣接する2項の商
ratios = ratio_convergence(fib_seq)

# 結果の表示
print("Fibonacci Sequence:", fib_seq)
print("Ratios of consecutive terms:", ratios)

# グラフの描画
plt.figure(figsize=(10, 5))
plt.plot(range(2, n-1), ratios, marker='o', linestyle='-', color='b')
plt.axhline(y=1.618, color='r', linestyle='--', label='Golden Ratio (approx.)')
plt.title('Convergence of Ratios in Fibonacci Sequence')
plt.xlabel('Index')
plt.ylabel('Ratio')
plt.legend()
plt.grid(True)
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import fft, fftfreq

# 1. アナログ信号の生成
Fs = 1000  # サンプリング周波数 (Hz)
T = 1 / Fs  # サンプリング間隔
L = 1000  # サンプル数

# 時間ベクトル
t = np.linspace(0.0, L*T, L, endpoint=False)

# アナログ信号（例: サイン波 + 高調波成分）
f1 = 50  # 基本周波数 (Hz)
f2 = 150  # 高調波周波数 (Hz)
signal = 0.7 * np.sin(2 * np.pi * f1 * t) + 0.3 * np.sin(2 * np.pi * f2 * t)

# 2. ノイズの追加
np.random.seed(0)  # 再現性のためにシードを設定
noise = 0.1 * np.random.normal(size=t.shape)
signal_noisy = signal + noise

# 3. FFTによる周波数解析
yf = fft(signal_noisy)
xf = fftfreq(L, T)[:L//2]

# 4. コーヒレントサンプリング
# プロット範囲を制限するためのインデックス
N = 512
xf_coherent = xf[:N//2]
yf_coherent = 2.0 / L * np.abs(yf[:N//2])

# 5. プロット
plt.figure(figsize=(12, 6))

# ノイズを追加したアナログ信号のプロット
plt.subplot(2, 1, 1)
plt.plot(t, signal_noisy, label='Noisy Signal')
plt.title('Analog Signal with Noise')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.grid(True)
plt.legend()

# FFT結果のプロット
plt.subplot(2, 1, 2)
plt.plot(xf_coherent, yf_coherent, label='FFT of Noisy Signal')
plt.title('FFT of Noisy Signal')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.grid(True)
plt.legend()

plt.tight_layout()
plt.show()

# 6. S/N比の計算（簡単な例）
signal_power = np.mean(signal**2)
noise_power = np.mean(noise**2)
snr = 10 * np.log10(signal_power / noise_power)
print(f'S/N Ratio: {snr:.2f} dB')

# 7. ハーモニックディストーションの計算（簡単な例）
# 基本周波数成分の強度を求める
fundamental_power = yf_coherent[np.argmax(xf_coherent == f1)]
harmonic_power = yf_coherent[np.argmax(xf_coherent == f2)]
distortion = 10 * np.log10(harmonic_power / fundamental_power)
print(f'Harmonic Distortion: {distortion:.2f} dB')

import numpy as np
import matplotlib.pyplot as plt

# パラメータ設定
Fs = 1000  # サンプリング周波数 (Hz)
T = 1.0 / Fs  # サンプリング間隔 (秒)
L = 2  # 信号の長さ (秒)
t = np.linspace(0.0, L, int(L * Fs), endpoint=False)

# アナログ信号の作成
f_signal = 5  # 信号周波数 (Hz)
analog_signal = 0.5 * np.sin(2 * np.pi * f_signal * t)

# 二重積分型AD変換器のパラメータ
integration_time = 0.01  # 積分時間 (秒)
num_samples = len(t)

# 積分結果の計算
def double_integral(signal, dt, integration_time):
    """二重積分の計算"""
    num_points = int(integration_time / dt)
    integral1 = np.cumsum(signal) * dt
    integral2 = np.cumsum(integral1) * dt
    return integral2[:num_samples]

# 二重積分
digital_signal = double_integral(analog_signal, T, integration_time)

# 正規化
digital_signal /= np.max(np.abs(digital_signal))

# プロット
plt.figure(figsize=(12, 6))

# アナログ信号
plt.subplot(2, 1, 1)
plt.plot(t, analog_signal)
plt.title('Analog Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')

# デジタル信号
plt.subplot(2, 1, 2)
plt.plot(t, digital_signal)
plt.title('Digitized Signal (Double Integral)')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.grid(True)

plt.tight_layout()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import butter, lfilter, freqz

# サンプル・ホールド回路のパラメータ
sampling_rate = 1000  # サンプリング周波数 (Hz)
hold_time = 0.01  # ホールド時間 (秒)
fs = 2000  # サンプル周波数 (Hz)
n = 4  # フィルタの次数

# 周波数応答の計算
def sample_and_hold_response(f, hold_time, fs):
    """サンプル・ホールド回路の周波数応答を計算する"""
    T = 1 / fs
    H = np.zeros_like(f)
    
    # ホールド時間に基づく応答
    for i, freq in enumerate(f):
        H[i] = np.abs(np.sinc(freq * hold_time))
    
    return H

# 周波数ベクトルの生成
frequencies = np.linspace(0, sampling_rate / 2, 500)
response = sample_and_hold_response(frequencies, hold_time, sampling_rate)

# プロット
plt.figure(figsize=(10, 6))

plt.plot(frequencies, 20 * np.log10(response), label='Sample and Hold Response')
plt.title('Sample and Hold Circuit Frequency Response')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Magnitude [dB]')
plt.grid(True)
plt.legend()
plt.show()

import numpy as np
import matplotlib.pyplot as plt

# sinc関数の定義
def sinc(x):
    """sinc関数の定義"""
    return np.sinc(x / np.pi)  # scipyのsinc関数はπを含む

# xの範囲を定義
x = np.linspace(-10, 10, 1000)
y = sinc(x)

# 増減表の計算
dy_dx = np.gradient(y, x)  # 増減率（勾配）を計算
increase = dy_dx > 0
decrease = dy_dx < 0

# プロット
plt.figure(figsize=(12, 6))

# sinc関数のプロット
plt.subplot(2, 1, 1)
plt.plot(x, y, label='sinc(x)')
plt.title('sinc(x) Function')
plt.xlabel('x')
plt.ylabel('sinc(x)')
plt.grid(True)
plt.legend()

# 増減表のプロット
plt.subplot(2, 1, 2)
plt.plot(x, dy_dx, label='sinc(x) Derivative', color='r')
plt.fill_between(x, dy_dx, where=increase, color='green', alpha=0.3, label='Increasing')
plt.fill_between(x, dy_dx, where=decrease, color='red', alpha=0.3, label='Decreasing')
plt.title('sinc(x) Derivative (Increase/Decrease)')
plt.xlabel('x')
plt.ylabel('Derivative')
plt.grid(True)
plt.legend()

plt.tight_layout()
plt.show()