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。

    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。

    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
成富8 分钟前
文本转SQL(Text-to-SQL),场景介绍与 Spring AI 实现
数据库·人工智能·sql·spring·oracle
CSDN云计算22 分钟前
如何以开源加速AI企业落地,红帽带来新解法
人工智能·开源·openshift·红帽·instructlab
艾派森32 分钟前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘
hairenjing112334 分钟前
在 Android 手机上从SD 卡恢复数据的 6 个有效应用程序
android·人工智能·windows·macos·智能手机
小蜗子39 分钟前
Multi‐modal knowledge graph inference via media convergenceand logic rule
人工智能·知识图谱
SpikeKing1 小时前
LLM - 使用 LLaMA-Factory 微调大模型 环境配置与训练推理 教程 (1)
人工智能·llm·大语言模型·llama·环境配置·llamafactory·训练框架
黄焖鸡能干四碗1 小时前
信息化运维方案,实施方案,开发方案,信息中心安全运维资料(软件资料word)
大数据·人工智能·软件需求·设计规范·规格说明书
1 小时前
开源竞争-数据驱动成长-11/05-大专生的思考
人工智能·笔记·学习·算法·机器学习
ctrey_1 小时前
2024-11-4 学习人工智能的Day21 openCV(3)
人工智能·opencv·学习
攻城狮_Dream2 小时前
“探索未来医疗:生成式人工智能在医疗领域的革命性应用“
人工智能·设计·医疗·毕业