Различие между локальным максимумом как частью пика и абсолютным максимумом пика

Поиск пика довольно сложен, я бы не стал пытаться реализовать свой собственный код, если это возможно. Попробуйте использовать scipy.signal.find_peaks_cwt, там несколько параметров, с которыми вы можете поиграться. Я думаю, что с помощью этой функции вам не нужно заранее сглаживать данные, поскольку один из параметров представляет собой список длин, по которым сглаживаются данные. Грубо говоря, алгоритм сглаживает данные по одной шкале длины, ищет пики, сглаживает по другой шкале длины, ищет пики и т. д., затем он ищет пики, которые появляются на всех или большинстве шкал длины.

Ваши значения могут быть разделены на чередующиеся надпороговые и подпороговые области. Когда вы найдете локальные максимумы, следите за тем, какой из них больше, пока значения снова не упадут ниже порога. Отложите эти «региональные» максимумы как истинный пик, затем продолжите работу со следующей надпороговой областью. Что-то типа:

# Store the true peaks
peaks = []

# If you consider the first value a possible local maxima.
# Otherwise, just initialize max_location to (None, 0)
if xavg[0] > xavg[1]:
    max_location = (0, xavg[0])
else:
    max_location = (None,0) # position and value

# Use a slice to skip the first and last items.
for i, item in enumerate(xavg[1:-1]):
    if xavg[i] > threshold:
        if ((xavg[i] > xavg[i-1]) and
            (xavg[i] > xavg[i+1]) and
            xavg[i] > max_location[1]):
            max_location = (i, xavg[i])
    else:
        # If we found a previous largest local maxima, save it as a true
        # peak, then reset the values until the next time we exceed the threshold
        if max_location[0] is not None:
            peaks.append(max_location[0])
        max_location = None
        max_location_value = 0

# Do you consider the last value a possible maximum?
if xavg[i+1] > xavg[i] and xavg[i+1] > max_location[1]:
    max_location = (i+1, xavg[i+1])

# Check one last time if the last point was over threshold.
if max_location[0] is not None:
    peaks.append(max_location[0])

В настоящее время вы составляете список (max_locations) любой точки, в которой предыдущая и следующая точки находятся ниже текущей точки. Если вас интересует только абсолютный максимум, вы можете сделать это так:

xavg.index (max (xavg [startPosition: endPosition]))

В качестве альтернативы, если вы хотите сохранить свой код нетронутым, вы можете проверить, больше ли текущая точка, чем любая другая точка, прежде чем поместить себя в позицию max_location:

если xavg[i] > xavg[max_location]: max_location = i

Об этом ОЧЕНЬ много литературы. На мой взгляд, у вас есть как минимум четыре варианта. Особенно рекомендую варианты 2 и 3.

• как предложил Чепнер, считайте, что ваш пик такой же, пока он не упадет ниже вашего порога.
• в качестве альтернативы, если вы считаете, что у вас может быть пик, который не совсем опускается ниже порога, а затем снова поднимается (двойной пик), вы можете вычислить производную вашего БПФ. Таким образом, когда пик падает ниже порога ИЛИ производная становится равной нулю (долина между пиками), вы называете это отчетливым пиком.
• вы всегда можете подогнать функции к своим пикам, скажем, гауссовым или лоренцевским. Это, вероятно, самый надежный подход из тех, которые я упоминаю.
• Вы определяете самый высокий пик, сохраняете его и удаляете N точек вокруг него (N=3,4,5,... вы выбираете), затем находите второй пик и удаляете такое же количество точек вокруг него...