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。