如何使用频率域变换对序列数据进行增强？

时频变换是常见的信号分析思路，同样可用于数据增强。在频率域添加噪声是方法之一。比如可以对传感器信号应用短时傅里叶变换STFT得到具有时序关系的谱特征，再在谱特征上应用两种数据增强方法。一是对每一个属性做局部平均，将局部平均序列拼接在原始序列的后面；二是打乱时序顺序，以增加数据的方差，这种方法会使得数据尺寸发生变化。由于STFT 变换得到的谱特征仍然具有时序关系，这种数据增强方法也被认为是在时间-频率域上进行的。

赋值调整傅里叶变换AAF及由其衍生的IAAFT可实现只在频率域进行数据增强，这类方法很好地保留了时域和频域特征，但不适合短周期信号。

对于音频数据，SpecAugment是一种在时间-频率域上做数据增强的方法，在信号的对数梅尔频谱上操作。下图a展示了一段信号的对数梅尔频谱，频谱图的横轴是时间轴，纵轴是频率大小。在时间轴上，可以进行时间规整或时间掩蔽，分别如图（b）和图（c）。

 时间规整是在序列中随机选择一个时间点，拉伸该点之前（之后）的信号，压缩该点之后（之前）的信号，保证序列的长度不发生改变；时间掩蔽是在整个序列中用指定值填充一随机片段。在频率轴也可以进行类似的掩蔽操作，形成图（d）的效果，被称为频率掩蔽。实验证明该方法在语音识别任务上可以显著降低字错误率。上述方法都是针对单个序列做数据增强，生成的效率更高，但只利用序列本身的性质，没有考虑数据集整体的分布。

mbd.pub/o/GeBENHAGEN

擅长现代信号处理(改进小波分析系列，改进变分模态分解，改进经验小波变换，改进辛几何模态分解等等)，改进机器学习，改进深度学习，机械故障诊断，改进时间序列分析(金融信号，心电信号，振动信号等)