特征提取(Feature Extraction)常见频域特征笔记(四)

频域特征是指将数据转换到频率域进行分析的特征。在频域分析中,我们可以看到信号在不同频率下的成分,这对于理解信号的周期性、周期性强度以及频率分布非常有用。常见的频域特征包括傅里叶变换、功率谱密度等。下面我会详细解释每个频域特征,并给出相应的Python代码。

  1. 傅里叶变换(Fourier Transform) :将信号从时域(时间域)转换到频域(频率域),它将信号分解成一系列正弦和余弦函数的组合。傅里叶变换可以帮助我们了解信号中各种频率成分的强度和相位信息。

    复制代码
    import numpy as np
    import matplotlib.pyplot as plt
    
    def fourier_transform(signal, sampling_rate):
        n = len(signal)
        frequencies = np.fft.fftfreq(n, d=1/sampling_rate)
        fft_values = np.fft.fft(signal)
        return frequencies, fft_values
    
    # Example
    t = np.linspace(0, 1, 1000)  # Time array from 0 to 1 with 1000 points
    signal = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 10 * t)  # Signal with two frequencies
    sampling_rate = 1000  # Sampling rate in Hz
    
    frequencies, fft_values = fourier_transform(signal, sampling_rate)
    plt.plot(frequencies, np.abs(fft_values))
    plt.xlabel('Frequency (Hz)')
    plt.ylabel('Amplitude')
    plt.title('Fourier Transform')
    plt.show()
  2. 功率谱密度(Power Spectral Density) :表示信号在不同频率上的能量分布。功率谱密度可以帮助我们确定信号中哪些频率成分具有更高的能量。

    复制代码
    from scipy.signal import welch
    
    def power_spectral_density(signal, sampling_rate):
        frequencies, psd = welch(signal, fs=sampling_rate)
        return frequencies, psd
    
    # Example
    t = np.linspace(0, 1, 1000)  # Time array from 0 to 1 with 1000 points
    signal = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 10 * t)  # Signal with two frequencies
    sampling_rate = 1000  # Sampling rate in Hz
    
    frequencies, psd = power_spectral_density(signal, sampling_rate)
    plt.semilogy(frequencies, psd)
    plt.xlabel('Frequency (Hz)')
    plt.ylabel('Power Spectral Density')
    plt.title('Power Spectral Density')
    plt.show()

    这些是常见的频域特征及其相应的Python实现。在信号处理和频域分析中,这些特征对于理解信号的频率成分、周期性以及能量分布非常重要。

相关推荐
睿创咨询6 分钟前
科技与商业动态简报
人工智能·科技·ipd·商业
科技在线7 分钟前
科技赋能建筑新未来:中建海龙模块化建筑产品入选中国建筑首批产业化推广产品
大数据·人工智能
HED17 分钟前
用扣子快速手撸人生中第一个AI智能应用!
前端·人工智能
极小狐19 分钟前
极狐GitLab 如何 cherry-pick 变更?
人工智能·git·机器学习·gitlab
沛沛老爹23 分钟前
从线性到非线性:简单聊聊神经网络的常见三大激活函数
人工智能·深度学习·神经网络·激活函数·relu·sigmoid·tanh
0x21132 分钟前
[论文阅读]ReAct: Synergizing Reasoning and Acting in Language Models
人工智能·语言模型·自然语言处理
mucheni44 分钟前
迅为iTOP-RK3576开发板/核心板6TOPS超强算力NPU适用于ARM PC、边缘计算、个人移动互联网设备及其他多媒体产品
arm开发·人工智能·边缘计算
Jamence1 小时前
多模态大语言模型arxiv论文略读(三十六)
人工智能·语言模型·自然语言处理
猿饵块1 小时前
opencv--图像变换
人工智能·opencv·计算机视觉
LucianaiB1 小时前
【金仓数据库征文】_AI 赋能数据库运维:金仓KES的智能化未来
运维·数据库·人工智能·金仓数据库 2025 征文·数据库平替用金仓