闪闪发亮的小星星
这个作者很懒,什么都没留下…
展开
-
同步压缩-提取时频背脊线
同步压缩是一种在数字信号处理中常用的技术,它的目的是对信号进行压缩,同时保留信号中的时间结构信息。这种压缩方式非常适用于需要实时传输、存储和处理的信号,如音频、视频、传感器数据等。常用方法:小波变换(Wavelet Transform):小波变换在信号处理中被广泛应用,它能够将信号分解成不同尺度和频率的成分,从而允许对信号进行时频分析。通过选择适当的小波基函数和压缩算法,可以实现同步压缩。原创 2024-05-08 17:43:38 · 28 阅读 · 0 评论 -
mset-非线性状态评估算法
计算正常状态与观测状态的残差,设定一个阈值,通过比较残差与阈值的大小,估计是正常/异常。其中,用欧式距离代替 向量点乘。具体公式及推理过程见参考文献。原创 2024-05-08 09:31:54 · 12 阅读 · 0 评论 -
瞬态瑞丽波频散曲线提取
【代码】瞬态瑞丽波频散曲线提取。原创 2024-04-16 18:23:50 · 31 阅读 · 0 评论 -
时频分析实战-时频脊线
此示例说明如何执行和解释基本的时频信号分析。在实际应用中,许多信号是非平稳信号。这意味着其频域表示(其频谱)随时间变化。该示例讨论使用时频方法相对于信号的频域或时域表示的优势。它回答了一些基本问题,例如:信号中何时会出现特定频率分量?如何提高时间或频率分辨率?如何锐化分量的频谱或提取特定模式?如何在时频表示中测量功率?如何可视化信号的时频信息?如何在感兴趣信号的频率成分里找到间歇性干扰?也可以使用连续小波变换来执行信号的时频分析。原创 2024-03-15 10:02:58 · 97 阅读 · 0 评论 -
生成二维码-读取二维码-动态二维码
【代码】生成二维码-读取二维码-动态二维码。原创 2024-03-12 11:02:14 · 33 阅读 · 0 评论 -
小波散射网络及其应用
小波变换的散射算子(Scattering operators)[41],能提取出原始信息在弹性形变、仿射变换中。年后,Mallat 又提出了基于小波变换的小波散射网络这一新型网络结构,该网络主要是基于。和低频特征信息,再将低频信息进行非线性平稳变换以保证其形变不变性[42],利用平均算子。小波变换和非线性变换的过程逐步得到原始信息的特征[43]。小波散射网络首先将原始信息通过预先设定好的小波滤波器,分层次提取高频。将高频信息转化为低频信息,期间丢失的高频信息通过散射算子恢复,通过不断地循环进行。原创 2024-03-11 18:29:15 · 310 阅读 · 0 评论 -
用自编码器检测小波散射异常 MATLAB
小波散射LSTM自编码器卷积自编码器卷积自编码器比LSTM自编码器快!原创 2024-03-07 16:43:49 · 103 阅读 · 0 评论 -
认识小波-DWT CWT Scattering
大家好。在本次介绍性课程中,我将介绍一些基本的小波概念。我将主要使用一维示例,但相同的概念也可以应用于图像。首先,我们回顾一下什么是小波。现实世界的数据或信号经常表现出缓慢变化的趋势或瞬态波动。另一方面,图像具有被边缘或对比度突然变化中断的平滑区域。**这些突然的变化通常是数据中最有趣的部分,无论是在感知上还是在它们提供的信息方面。傅里叶变换是数据分析的强大工具。然而,它并不能有效地表示突变。**其原因是傅立叶变换将数据表示为正弦波之和,这些正弦波在时间或空间上不局域化。这些正弦波永远振荡。原创 2024-03-06 14:22:18 · 66 阅读 · 0 评论 -
matlab处理时间序列
小波散射网络 , 包含小波变换层,非线性层、池化层。第一层平均,丢失高频率信息。原创 2024-03-06 10:45:39 · 24 阅读 · 0 评论 -
2.3 离散时间系统的差分方程
离散时间差分方程描述和求解原创 2024-02-27 14:19:44 · 29 阅读 · 0 评论 -
线性时不变系统-线性卷积
正弦序列。原创 2024-02-27 13:21:01 · 22 阅读 · 0 评论 -
数字信号处理教程学习笔记1-第2章时域中的离散信号和系统
模拟信号和数字信号分别是啥样的,有啥区别模拟信号: 连续变化的信号,其数值在一段时间内可以无限制地取任意值数字信号:离散的信号,它的数值在一段时间内只能取有限个特定值第一章习题1.1 设一组电压值为 x = [- 0.3,0.5,1,-2,3,-4],经过一个量化步长为 0.15 的量化装置,求量化后的整数和它们对应的量化电压,并求出其绝对误差和相对误差。原创 2024-01-12 18:37:11 · 171 阅读 · 0 评论 -
EMD+包络谱故障诊断
EMD是一种信号处理方法,用于将信号分解成多个本征模态函数(Intrinsic Mode Functions,IMF),每个IMF代表信号中的一个固有振动模式。它通过对信号包络谱的谱线斜率进行测量,反映了信号包络的变化程度。结合VMD和包络谱峭度,可以提取故障声音中的有用特征。计算包络谱: 对每个包络信号计算其频谱,并计算包络谱峭度。采集故障声音数据: 首先,收集包含故障声音的数据,例如机械设备的运行状态中产生的声音。特征组合: 将每个IMF的包络谱峭度作为特征,可以将这些特征组合成一个特征向量。原创 2024-01-08 16:59:45 · 469 阅读 · 0 评论 -
奇异值分解
这个例子中,我们选择了 ( k = 2 ),即保留两个最重要的奇异值,从而实现了对矩阵的降维。构建新矩阵: 用选定的特征构建一个新的矩阵,即 ( A_k = U_k \Sigma_k V_k^T ),其中 ( U_k, \Sigma_k, V_k^T ) 是相应的前 ( k ) 个列向量或对角元素。选择主要特征: 将奇异值按照大小排序,保留最大的 k 个奇异值对应的列向量,其中 ( k ) 是降维后的维度。计算SVD: 对给定的矩阵 ( A ) 进行奇异值分解,得到 ( U, \Sigma, V^T )。原创 2024-01-08 16:17:17 · 1116 阅读 · 0 评论 -
维纳滤波-python实现
然后,我们添加了高斯白噪声来模拟受噪声污染的信号。最后,我们使用wiener函数来对受噪声污染的信号进行维纳滤波,得到恢复的信号。维纳滤波器的设计需要估计信号和噪声的功率谱密度,以及信号和噪声的互相关函数。根据这些估计值,可以计算出维纳滤波器的频谱,并将其应用于受噪声污染的信号,从而恢复出原始信号。维纳滤波的基本原理是,根据信号和噪声的统计特性,通过频域上的滤波来最小化恢复信号与原始信号之间的均方误差。其中,H(f)是信号的频谱,N(f)是噪声的频谱,S(f)是原始信号的频谱,G(f)是恢复信号的频谱。原创 2023-12-13 17:22:53 · 519 阅读 · 0 评论 -
拉普拉斯变换
通过拉普拉斯变换,可以将微分方程转换为传递函数形式,便于系统的分析和设计。总的来说,拉普拉斯变换在工程和科学领域中是一种非常有用的工具,它可以简化复杂系统的分析和设计过程,使得工程师和科学家能够更好地理解和处理微分方程、信号和系统。通过拉普拉斯变换,可以将微分方程描述的电路转换为代数方程,方便进行电路分析和设计。拉普拉斯变换在信号处理和控制理论中有着重要的作用。解决边界值问题:拉普拉斯变换在解决边界值问题(如热传导、振动等)中也有着重要的作用,通过将微分方程转换为代数方程,可以更容易地求解这些问题。原创 2023-11-29 15:58:29 · 93 阅读 · 0 评论 -
geatpy-遗传算法
同样是求解案例1的问题,这里我们在定义目标函数时不加ea.Problem.single标记。这意味着evalVars()传入的是一个Numpy ndarray二维数组。原创 2023-10-30 15:36:10 · 93 阅读 · 0 评论 -
正则表达式以及 pattern 的撰写方式
在Python中,可以使用re模块来进行正则表达式的撰写和匹配。其中,r表示原始字符串,可以避免转义字符的问题。需要注意的是,在定义正则表达式模式时,可以使用一些特殊字符和语法规则,例如点号(.)表示任意字符,星号(另外,还可以使用re模块的一些特殊方法和标志来进一步定制正则表达式的匹配方式,例如忽略大小写、多行匹配等。以上是一个基本的正则表达式撰写方法示例,更复杂的正则表达式可以根据具体需求进行构建。在实际使用中,可以结合re模块的各种函数和方法,灵活地处理字符串匹配和替换的需求。原创 2023-10-30 11:09:51 · 342 阅读 · 0 评论 -
激活函数作用以及 sigmoid和softmax
激活函数在神经网络中起着非常重要的作用,它的主要功能是引入非线性性质,使得神经网络可以学习和表示更加复杂的模式和关系。控制神经元的激活程度:激活函数可以控制神经元在不同输入值下的激活程度。例如,ReLU(Rectified Linear Unit)函数在输入大于零时被激活,而在输入小于等于零时被抑制。需要注意的是,选择合适的激活函数对于神经网络的训练和性能非常重要。不同类型的激活函数适用于不同的问题,应根据具体情况进行选择。此外,还需要注意梯度消失和爆炸的问题,避免梯度无法传播或引起数值不稳定性。原创 2023-10-27 16:01:00 · 222 阅读 · 0 评论 -
knn相似性搜索
【代码】knn相似性搜索。原创 2023-10-26 14:55:45 · 48 阅读 · 0 评论 -
损失函数和评估函数
损失函数是用于衡量模型在训练过程中预测结果与实际结果之间的差异的函数。它通过计算模型的预测值与实际值之间的距离或差异来 quantitatively 表示模型的性能好坏。损失函数通常被用作优化算法(如梯度下降)的目标函数,通过最小化损失函数来调整模型参数,使得模型的预测结果更加接近实际结果。评估函数也是用于衡量模型性能的指标,但与损失函数不同,评估函数是在模型训练完成后对模型进行综合评价的指标。评估函数可以用于比较不同模型的性能,或者判断模型是否满足特定应用需求。原创 2023-10-25 14:07:05 · 834 阅读 · 0 评论 -
Fpass与Fstop
这些参数在滤波器设计中非常重要,可以用来控制滤波器的频率特性和性能。在MATLAB中,“Fpass”、“Fstop”、"Apass"和"Astop"是数字滤波器设计中常用的参数。"Fpass"表示通带频率,指的是滤波器允许通过的频率范围。在数字滤波器设计中,通常以归一化频率表示,取值范围为0到0.5,其中0.5对应采样频率的一半。"Apass"表示通带衰减,指的是滤波器在通带内的衰减量。"Astop"表示阻带衰减,指的是滤波器在阻带内的衰减量。"Fstop"表示阻带频率,指的是滤波器需要抑制的频率范围。原创 2023-08-23 14:13:16 · 2036 阅读 · 0 评论 -
希尔伯特-黄变换(Hilbert-Huang Transform,HHT)
EMD是一种信号分解方法,它将信号分解为一系列IMF,每个IMF都满足以下两个条件:1)在局部尺度上是单调的,即在极值点的数量与零交点的数量相等或差1;2)它的上下包络线的平均值为零。希尔伯特-黄变换(Hilbert-Huang Transform,HHT)是一种非线性信号分析方法,它将信号分解为一系列固有模态函数(Intrinsic Mode Functions,IMF),然后对每个IMF进行希尔伯特变换,得到每个IMF的解析信号,从而计算出每个IMF的瞬时频率和瞬时振幅。原创 2023-07-26 13:59:28 · 1333 阅读 · 0 评论 -
希尔伯特变换
并且这个复值信号具有一些有趣的性质,例如包络和瞬时频率。这些性质可以被用于分析信号的特征,例如,通过Hilbert变换可以分析信号的频率,比如主频,最大振幅处的频率等。希尔伯特变换在音频信号处理和调制信号分析等领域都有广泛的应用。希尔伯特变换的作用是将一个。原创 2023-07-26 11:27:52 · 896 阅读 · 0 评论 -
滤波器的阶数、波纹、衰减
低阶滤波器的主要特点是处理信号时的频率选择性较弱,对信号的变化响应较为平滑。低阶滤波器通常具有较宽的频率响应曲线,可以允许较多的信号频率通过滤波器而不被衰减。高阶滤波器的主要特点是处理信号时的频率选择性较强,对信号的变化响应较为陡峭。对于低通滤波器而言,通带纹波指的是通带内频率响应的波动,而阻带纹波指的是阻带内频率响应的波动。而高阶滤波器对信号进行较为陡峭的处理,适用于需要较强频率选择性或频率变化较快的信号。较小的纹波和较大的衰减可以提供更好的滤波性能,但可能会导致滤波器的复杂性增加或成本增加。原创 2023-07-21 17:04:18 · 2901 阅读 · 1 评论 -
python实现小波降噪
信号经小波分解后,有这样的特点:对于每层的小波系数,噪声对应的数值较小,因而,选取合适的阈值,将绝对值小于阈值的小波系数置 0,绝对值较大的系数予以保留或收缩(阈值函数的作用),再利用小波逆变换进行重构,即得到去噪后的信号。小波阈值去噪方法认为,信号中的噪声存在于高频成分之中(即D1,D2,D3),因此,对于细节小波系数做阈值收缩处理(得到D3’,D2’,D1’),再将各小波系数(A3,D3’,D2’,D1’)进行组合重构就得到去噪后的信号。选择合适的小波基以及分解尺度,进行小波分解,得到一组小波系数。原创 2023-07-19 16:20:58 · 972 阅读 · 0 评论 -
FIR滤波器与IIR滤波器
FIR滤波器(有限脉冲响应滤波器):FIR滤波器是一种线性时不变滤波器,它的输出只依赖于当前输入和过去的输入。FIR滤波器通过对输入信号的加权平均来实现滤波效果。常见的FIR滤波器设计方法包括窗函数法、频率采样法和最优化方法(如最小二乘法)。原创 2023-07-11 14:52:19 · 2641 阅读 · 0 评论 -
经验模态分解-用途
它可以将一个信号分解为一系列本征模态函数(Intrinsic Mode Functions,简称IMF),每个IMF都代表了信号中的一个特定频率和幅度调制的成分。经验模态分解,https://zh.wikipedia.org/wiki/%E7%B6%93%E9%A9%97%E6%A8%A1%E6%85%8B%E5%88%86%E8%A7%A3。信号分析:通过将信号分解为IMF,EMD可以提供对信号的时频特征进行分析的能力。通过保留重要的IMF成分,可以实现对信号的有效压缩,减少存储和传输的数据量。原创 2023-07-11 09:51:15 · 812 阅读 · 0 评论 -
维纳滤波器
维纳滤波器是一种经典的信号处理滤波器,用于恢复受噪声污染或模糊的信号。它是根据统计信号处理理论中的最小均方误差准则设计的。维纳滤波器的主要思想是通过估计信号和噪声的功率谱密度来恢复原始信号。它假设信号和噪声是在频域上相互独立的,并且在时域上是线性平稳的。维纳滤波器的设计目标是最小化滤波后信号与原始信号之间的均方误差。维纳滤波器的设计过程可以分为以下几个步骤:估计信号和噪声的功率谱密度:通过对观测信号进行傅里叶变换,可以得到观测信号的频谱。通过对观测信号进行统计分析,可以估计信号和噪声的功率谱密度。原创 2023-07-10 15:21:16 · 779 阅读 · 0 评论 -
频谱分辨率、功率密度谱psd
DFT后频域相邻刻度之间的实际频率之差,还一般解释为能够分辨出的两个最小的频点间隔。在《Understanding Digital Signal Processing 》一书中作者提到频率分辨率为采样频率 - Fs采样点 - N采样时间 - t其中可知 N = Fst对于傅里叶变换来说,其频谱分辨率为 Fs/N = Fs/(Fst) = 1/t比如频率分辨率为8HZ,代表频域相邻两个刻度之间有8个点,相比3HZ较为稀疏。原创 2023-06-13 16:25:21 · 634 阅读 · 0 评论 -
fft 幅值归一化 求频率 小结
3. 删去重复值。原创 2023-06-06 16:39:26 · 851 阅读 · 0 评论 -
怎样用通俗易懂的方式解释窗函数?
如下图所示,若周期截断,则FFT频谱为单一谱线。若为非周期截断,则频谱出现拖尾,如图中部所示,可以看出泄漏很严重。为了减少泄漏,给信号施加一个窗函数(如图中红色曲线所示),原始截断后的信号与这个窗函数相乘之后得到的信号为右侧上面的信号。可以看出,此时,信号的起始时刻和结束时刻幅值都为0,也就是说在这个时间长度内,信号为周期信号,但是只有一个周期。对这个信号做FFT分析,得到的频谱如右侧下边所示。相比较之前未加窗的频谱,可以看出,泄漏已明显改善,但并没有完全消除泄漏。因此,窗函数只能减少泄漏,不能消除泄漏。转载 2023-05-18 14:40:19 · 82 阅读 · 0 评论 -
信号处理频域特征
倒频谱能较好地检测出功率谱上的周期成分,通常在功率谱上无法对边频的总体水平作出定量估计,而倒频谱对边频成分具有“概括”能力,能较明显地显示出功率谱上的周期成分,将原来谱上成族的边频带谱线简化为单根谱线,便于观察,而齿轮发生故障时的振动频谱具有的边频带一般都具有等间隔(故障频率)的结构,利用倒频谱这个优点,可以检测出功率谱中难以辨识的周期性信号。2.通常我们关心的都是正频率区间的结果,有两种截取方法,一种是在fftshift的结果中截后半段,一种是在fft的结果中截前半段,其结果是一样的。转载 2023-05-18 13:57:24 · 2340 阅读 · 0 评论 -
信号时域分析方法
重要笔记如下:建议跟参考笔记同步看。有量纲特征值8个——最大值、最小值、峰峰值、均值、方差、标准差、均方值、均方根值(RMS)无量纲特征值6个——峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子频域特征值5个——重心频率、均方频率、均方根频率、频率方差、频率标准差谱峭度特征4个——谱峭度的均值、谱峭度的标准差、谱峭度的偏度、谱峭度的峭度(其他相关特征若干——后续还会补充其他常用、不常用的特征指标)原创 2023-05-17 17:03:50 · 1234 阅读 · 0 评论 -
连续时间信号的抽样
原创 2023-05-15 11:38:25 · 50 阅读 · 0 评论 -
卷积和、线性移不变系统
满足 可加性 和 比例性。原创 2023-05-15 11:19:52 · 100 阅读 · 0 评论 -
音频信号处理库librosa
帧移,默认为[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bRHd0a0d-1683873363702)(https://math.jianshu.com/math?formula=%5Cfrac%7B%F0%9D%91%A4%F0%9D%91%96%F0%9D%91%9B%F0%9D%91%99%F0%9D%91%92%F0%9D%91%9B%F0%9D%91%94%F0%9D%91%A1%E2%84%8E%7D%7B4%7D)]默认win_length=n_fft。原创 2023-05-12 14:38:04 · 865 阅读 · 0 评论 -
FFT变换后得到什么?
FFT 快速傅里叶变换,是利用计算机计算DFT的高效、快速计算的方法的统称。将信号从时域变换到频域范围内。原创 2023-05-10 17:47:37 · 1389 阅读 · 0 评论 -
信号差分后,会增强高频信号
对信号做差分后,高频部分的信号增强程度会比低频部分高。原创 2023-05-09 14:41:51 · 123 阅读 · 0 评论 -
FIR滤波
其中一条是未加入噪声的纯净信号,另外一条是加入白噪声后的含噪声信号。我们的目的就是将含噪声信号中的噪声部分滤除,得到一条尽量还原纯净信号的滤波结果。所以,上述在频域空间的一大堆操作,可以简单地转化成在时域上的卷积操作,具体来说,就是将含噪声信号与低通滤波器的傅里叶逆变换值进行卷积,这个过程就是FIR滤波。从上图容易看出,含噪声信号是在纯净信号上下波动的,所以很容易想到,如果取某几个含噪声信号的平均值,作为滤波结果,则可以抵消掉噪声在上下随机波动中的干扰效果。上面所说是在频域上相乘,时域的卷积=频域相乘!原创 2023-05-08 16:14:01 · 798 阅读 · 0 评论