移除切比雪夫多项式小拖尾系数的Python程序，可以使用scipy库中的signal模块实现。下面是详细的攻略：
1. 加载相关库
首先，我们需要加载相关的库，包括numpy和scipy：
import numpy as np
from scipy.signal import remez
2. 设计滤波器
接下来，我们需要利用remez函数，设计一个滤波器，用于移除切比雪夫多项式小拖尾系数：
N = 128 # 滤波器的阶数
fs = 1000 # 采样频率
fc = 100 # 截止频率
# 定义滤波器的频率响应
f = np.array([0, fc-20, fc, fs/2]) / (fs/2)
a = np.array([0, 1, 0])
# 设计滤波器
b = remez(N, f, a)
在上面的代码中，我们指定了滤波器的阶数N、采样频率fs和截止频率fc。然后，我们定义了滤波器的频率响应，其中包括了低通滤波器的通带和阻带，并利用remez函数，设计出一个满足这些要求的滤波器。
3. 应用滤波器
最后，我们可以应用这个滤波器，将信号进行滤波：
# 模拟信号
t = np.linspace(0, 1, 1000)
x = np.sin(2*np.pi*50*t) + np.sin(2*np.pi*150*t) + np.sin(2*np.pi*250*t)
# 滤波信号
y = np.convolve(x, b, mode='same')
在上面的代码中，我们先生成了一个包含3个正弦波的模拟信号。然后，利用np.convolve函数，将这个信号和我们设计的滤波器进行卷积，得到滤波后的信号。
示例说明
示例1
假设我们有一个包含高频噪声的信号x，我们想要去除其中的高频部分。我们可以设计一个低通滤波器，将截止频率设置为信号中高频部分的最大频率，然后进行滤波，得到一个去除了高频噪声的信号y。
# 模拟信号
t = np.linspace(0, 1, 1000)
x = np.sin(2*np.pi*50*t) + np.sin(2*np.pi*150*t) + np.sin(2*np.pi*250*t) + np.random.normal(0, 0.1, 1000)
# 设计滤波器
N = 128 # 滤波器的阶数
fs = 1000 # 采样频率
fc = 200 # 截止频率
f = np.array([0, fc, fs/2]) / (fs/2)
a = np.array([1, 0])
b = remez(N, f, a)
# 滤波信号
y = np.convolve(x, b, mode='same')
在上面的代码中，我们生成了一个包含高频噪声的信号x，然后利用remez函数设计了一个低通滤波器。我们将截止频率设置为200Hz，这样就能去除信号中的高频部分。最后，我们将信号x和滤波器进行卷积，得到了去除高频噪声的信号y。
示例2
假设我们有一个心电信号，经过处理之后，信号中出现了假波。我们可以利用高通滤波器，去除这些假波，得到一个清晰的心电信号。
# 加载信号数据
from scipy.io import loadmat
data = loadmat('ecg.mat')
x = data['ecg'].ravel()
# 设计滤波器
N = 128 # 滤波器的阶数
fs = 1000 # 采样频率
fc = 5 # 截止频率
f = np.array([0, fc+2, fc, fs/2]) / (fs/2)
a = np.array([0, 1, 0, 0])
b = remez(N, f, a)
# 滤波信号
y = np.convolve(x, b, mode='same')
在上面的代码中，我们加载了一个心电信号，其中包含了一些额外的假波。然后，我们利用remez函数设计了一个高通滤波器，将截止频率设置为5Hz，以去除信号中的假波。最后，我们将信号x和滤波器进行卷积，得到了一个清晰的心电信号y。