给出基于阈值的滤波的示例

下面是一个基于阈值的滤波的示例代码，可以用于过滤掉超过阈值的异常节点数据：

import numpy as np

def threshold_filter(data, threshold):
    filtered_data = np.copy(data)
    
    for i in range(1, len(data)-1):
        if abs(data[i] - data[i-1]) > threshold:
            filtered_data[i] = (data[i-1] + data[i+1]) / 2
    
    return filtered_data

# 示例数据
data = [6659, 6415, 5986, 5445, 6300, 5507, 6147, 5796, 5994, 5333, 6113, 
        5533, 6498, 6445, 5266, 5325, 5660, 5721, 5386, 5137, 5684, 5082, 
        5723, 5294, 5627, 4981, 5574, 5268, 5866, 5857, 4829, 5003, 5286, 
        5370, 4994, 4791, 5309, 4738, 5342, 4950, 5205, 4655, 5167, 4842,
        5464, 5444]

# 设置阈值
threshold = 1000

# 应用基于阈值的滤波
filtered_data = threshold_filter(data, threshold)

# 打印滤波结果
print(filtered_data)

在上述示例代码中，我们定义了一个 `threshold_filter` 函数，该函数接受原始数据和阈值作为参数。函数遍历数据，如果当前数据与前一个数据的差值大于阈值，则将当前数据替换为前一个数据和后一个数据的平均值。这样可以过滤掉超过阈值的异常节点数据。

您可以根据具体情况调整阈值的大小，以平衡滤波效果和保留特征的需求。在示例代码中，我们使用了一个阈值为1000进行滤波。

请注意，基于阈值的滤波方法适用于检测和过滤掉突变值，但可能无法处理连续的小幅度变化。如果您的数据存在连续的小幅度变化，可能需要考虑其他滤波方法来更好地处理这种情况。