机器学习数学基础-CSDN博客

import numpy as np
import cv2

# 加载图像
image = cv2.imread('image.jpg', 0)

# 定义卷积核（例如，Sobel 算子用于边缘检测）
sobel_kernel = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])

# 执行卷积运算
edges = cv2.filter2D(image, -1, sobel_kernel)

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、信号的分析

（一）信号的分类与表示

信号可以分为模拟信号和数字信号。模拟信号是连续的，而数字信号是离散的。在计算机中，通常使用数字信号进行处理。

1. 时域分析

时域分析关注信号随时间的变化。常见的时域特征包括信号的均值、方差、峰值等。

2. 频域分析

频域分析通过傅里叶变换将信号从时域转换到频域，揭示信号的频率成分。

（二）信号处理的基本方法

滤波：去除信号中的噪声或提取特定频率成分。
采样：将连续信号转换为离散信号。
量化：将连续幅度的信号转换为离散幅度的信号。

三、傅里叶变换及其扩展变换

（一）傅里叶变换

傅里叶变换将信号从时域转换到频域，揭示信号的频率成分。对于连续时间信号 x(t)，其傅里叶变换定义为：逆变换为：

（二）离散傅里叶变换（DFT）

（三）快速傅里叶变换（FFT）

FFT 是一种高效的 DFT 算法，能够在 O(NlogN) 的复杂度内计算 DFT。

（四）扩展变换

短时傅里叶变换（STFT）：用于分析信号的时频特性。
小波变换：提供多分辨率分析，适用于非平稳信号的分析。

import numpy as np
import matplotlib.pyplot as plt

# 生成信号
t = np.linspace(0, 1, 1000)
signal = np.sin(2 * np.pi * 10 * t) + 0.5 * np.sin(2 * np.pi * 20 * t)

# 计算傅里叶变换
fft = np.fft.fft(signal)
freq = np.fft.fftfreq(len(signal), d=t[1] - t[0])
magnitude = np.abs(fft)

# 绘制结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.plot(t, signal)
plt.title('Original Signal')
plt.xlabel('Time')
plt.ylabel('Amplitude')

plt.subplot(1, 2, 2)
plt.plot(freq[:len(freq)//2], magnitude[:len(magnitude)//2])
plt.title('Frequency Spectrum')
plt.xlabel('Frequency')
plt.ylabel('Magnitude')

plt.tight_layout()
plt.show()

四、滤波及机器学习

（一）滤波的概念与应用

滤波用于去除信号中的噪声或提取特定频率成分。常见的滤波器包括低通滤波器、高通滤波器、带通滤波器等。

（二）滤波在机器学习中的应用

在机器学习中，滤波用于预处理数据，去除噪声，提高模型的鲁棒性和准确性。

（三）结合机器学习的滤波方法

自适应滤波：滤波器的参数通过机器学习算法自动调整。
深度滤波网络：使用深度学习架构（如 CNN 和 RNN）进行滤波和特征提取。

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import butter, lfilter

# 生成信号
t = np.linspace(0, 1, 1000)
signal = np.sin(2 * np.pi * 10 * t) + 0.5 * np.sin(2 * np.pi * 20 * t) + 0.2 * np.random.randn(1000)

# 设计巴特沃斯滤波器
fs = 1000.0  # 采样频率
cutoff = 15.0  # 截止频率
nyquist = 0.5 * fs
order = 4
normal_cutoff = cutoff / nyquist
b, a = butter(order, normal_cutoff, btype='low', analog=False)

# 应用滤波器
filtered_signal = lfilter(b, a, signal)

# 绘制结果
plt.figure(figsize=(10, 6))
plt.plot(t, signal, label='Noisy Signal')
plt.plot(t, filtered_signal, label='Filtered Signal', linewidth=2)
plt.title('Filtering Noisy Signal')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.legend()