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
倔强青铜三21 分钟前
苦练Python第23天:元组秘籍与妙用
人工智能·python·面试
Teacher.chenchong1 小时前
现代R语言机器学习:Tidymodel/Tidyverse语法+回归/树模型/集成学习/SVM/深度学习/降维/聚类分类与科研绘图可视化
机器学习·回归·r语言
AndrewHZ1 小时前
【图像处理基石】如何入门色彩评估?
图像处理·人工智能·深度学习·色彩科学·hvs·色彩评估·颜色工程
TomatoSCI1 小时前
聚类的可视化选择:PCA / t-SNE丨TomatoSCI分析日记
人工智能·机器学习
大咖分享课1 小时前
深度剖析:最新发布的ChatGPT Agent 技术架构与应用场景
人工智能·openai·智能助手·ai代理·chatgpt agent·自主任务执行
lucky_lyovo1 小时前
卷积神经网络--网络性能提升
人工智能·神经网络·cnn
liliangcsdn1 小时前
smolagents - 如何在mac用agents做简单算术题
人工智能·macos·prompt
nju_spy1 小时前
周志华《机器学习导论》第8章 集成学习 Ensemble Learning
人工智能·随机森林·机器学习·集成学习·boosting·bagging·南京大学
星座5282 小时前
基于现代R语言【Tidyverse、Tidymodel】的机器学习方法与案例分析
机器学习·r语言·tidyverse·tidymodel
静心问道2 小时前
TrOCR: 基于Transformer的光学字符识别方法,使用预训练模型
人工智能·深度学习·transformer·多模态