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
Naomi5213 分钟前
Trustworthy Machine Learning
人工智能·机器学习
刘 怼怼16 分钟前
使用 Vue 重构 RAGFlow 实现聊天功能
前端·vue.js·人工智能·重构
程序员安仔17 分钟前
每天学新 AI 工具好累?我终于发现了“一键全能且免费不限量”的国产终极解决方案
人工智能
闭月之泪舞17 分钟前
OpenCv(五)——边缘检测
人工智能·计算机视觉
星霜旅人18 分钟前
K-均值聚类
人工智能·机器学习
lilye6631 分钟前
程序化广告行业(39/89):广告投放的数据分析与优化秘籍
大数据·人工智能·数据分析
欧雷殿32 分钟前
再谈愚蠢的「八股文」面试
前端·人工智能·面试
修复bug1 小时前
trae.ai 编辑器:前端开发者的智能效率革命
人工智能·编辑器·aigc
掘金安东尼1 小时前
为什么GPT-4o可以生成吉卜力风格照片,原理是什么?
人工智能
机器鱼2 小时前
1.2 基于卷积神经网络与SE注意力的轴承故障诊断
深度学习·机器学习·cnn