信号处理技术在机器学习中的应用（一）

这是一个学习总结。

原文连接：

https://ataspinar.com/2018/04/04/machine-learning-with-signal-processing-techniques/

1、信号基础

时间序列 V.S. 信号

¢ 时间序列的值是时间的函数 y=y(t)

¢ 信号比时间序列的概念更广泛，不一定是时间的函数，可以是空间坐标的函数 y=y( x,y ), 可以是光源距离的函数 y=y(r)

¢ 信号的各种形式：音频信号、图片、视频信号、地震信号、声纳信号、雷达信号、医学信号（心电图、脑电波

¢ 一张图片可以看作是包含 RGB 三色亮度信息的一个 信号；声纳 信号包含声场的信息，是一个时间和三维空间的函数

¢ 一 个 事物只要包含 信息，就可以看作一个信号

离散的时间信号

¢ 连续的时间信号：任何一个时间点都有一个对应的值

¢ 离散的时间信号：如果一个信号的周期是 0.1s ，则每隔 0.1s 有一个对应的值

¢ 自然界 中大部分的信号是连续的信号，即模拟信号

¢ 信号数字化是指把连续信号离散的信号，即数字信号

¢ 我们把信号数字化是需要以一定的采样率去对模拟信号进行采样

对模拟信号进行不同采样率的采样。采样率越低，得到的数字信号越不能表达原来的模拟信号。

采样率

¢ 如果一个信号的采样率低于 Nyquist rate （奈奎斯特采样率），则这个信号被称为欠采样，即采样不足。

¢ Nyquist rate 定义为信号中最高频率的 2 倍。

¢ 通常设置采样率应该比 Nyquist rate 要高很多

       周期信号和傅里叶变换

¢ 周期信号指含有会在一定时间重复出现的模式的信号

¢ 这个一定的时间叫周期 P

¢ 一个周期所走过的长度叫波长 λ

¢ 频率 f 就是周期的倒数，例如周期是 10s ，则频率是 0.1Hz

¢ 公式（ 1 ）是频率、周期、波长的关系。其中 s 是信号的速度。