[学习笔记]使用机器学习和深度学习处理信号基础知识

最新推荐文章于 2025-02-10 19:50:00 发布
最新推荐文章于 2025-02-10 19:50:00 发布
阅读量6.6k 收藏 136
点赞数 14
分类专栏： 信号处理 matlab 文章标签： 信号处理 matlab 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43935696/article/details/107753531
版权

目录

参考学习：Signal Generation and Preprocessing
本人只是为了了解信号处理的基础知识而做的学习笔记，涉及深度可能不够，有理解错误的地方请大胆指出，感激不尽

一、信号生成和预处理

（一）信号生成

从数据中去除噪声、离群值和乱真内容。增强信号以对其可视化并发现模式。更改信号的采样率，或者使不规则采样信号或带缺失数据信号的采样率趋于恒定。为仿真和算法测试生成脉冲信号和 chirp 等合成信号。主要分为以下几个步骤

1.创建波形

创建波形的各个函数

1.1周期波形Periodic Waveforms
  • sawtooth(T) 锯齿或三角波
  • quare(T)函数产生一个2*pi为周期的方波
    在这里插入图片描述
1.2 非周期波形Aperiodic Waveforms

在这里插入图片描述

1.3 扫频波形Swept-Frequency Waveforms

在这里插入图片描述

1.4 脉冲序列Pulse Trains
[Y=pulstran (t,d,@func,w,b)函数](https://blog.csdn.net/wwjra/article/details/7728892#commentBox)
+ 其中t为时间轴 + d为采样间隔，可以是两列，第一列对应偏移量，第二列对应增益量,说白了定义就是第一列定义产生每个波形的位置，第二列定义波形的高度 + w是每个波形的宽度 + b表示是每个波形高度对应X轴上下比例，0.5表示上下一样大，0.8表示上部分高度和下部分高度成0.8的比例 + fun表示指定了脉冲串的形状，包括： 高斯调制正弦信号：gauspuls 非周期的矩形信号：rectpuls 非周期的三角信号：tripuls ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200802225550633.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng==,size_16,color_FFFFFF,t_70#pic_center)

（二）信号预处理

1. 平滑去噪

  • 从信号中去除不需要的峰值、趋势和离群值。使用 Savitzky-Golay 滤波器、移动平均值、移动中位数、线性回归或二次回归对信号进行平滑处理。
1.1 去峰值
1.2 离群值
  • filloutliers 检测并替换数据中的离群值
  • isoutlier 查找数据中的离群值
1.3 去趋势remove trend

参考学习：对数据去趋势

  • 信号的基线发生了偏移，有的是线性偏移，有的是非线性偏移，处理方式不一样
    在这里插入图片描述

  • 线性的处理，使用函数detrend

dt_ecgl = detrend(ecgl);
  • 非线性的，对信号进行低阶多项式拟合并减去它
opol = 6;%多项式为6阶
[p,s,mu] = polyfit(t,ecgnl,opol);
f_y = polyval(p,t,[],mu);
dt_ecgnl = ecgnl - f_y;

处理后
在这里插入图片描述

  • 案例执行：openExample(‘signal/RemoveInstrumentDriftFromMeasurementsExample’)

2. 重采样

  • 重采样分为上采样和下采样，下采样时需要对信号进行抽取，上采样时需要对信号进行插值
  • 减少抽样率以去掉过多数据的过程称为信号的抽取(decimatim )”，增加抽样率以增加数据的过程称为信号的“插值(interpolation)。
  • resample 函数将序列的采样率更改为与原始采样率成一定比例的采样率
  • 信号重采样的函数
2.1 重采样的函数
  • 应用带重采样的 FIR 滤波器
    upfirdn
  • 三次样条插值
    spline
  • 抽取
    decimate
  • 插值
    interp
  • 其他一维插值
    interp1
  • 以新采样率重采样
    resample

二、测量和特征提取

（一）测量和提取的因子

1. 描述性统计量

  • 峰值
  • RMS 水平
  • 峰间幅值
  • 波峰因子
  • 动态时间畸变
  • CUSUM 控制图
  • 编辑距离

2. 脉冲和转换指标

  • 上升时间
  • 下降时间
  • 压摆率
  • 过冲就
  • 欠冲
  • 稳定时间
  • 脉冲宽度
  • 占空比

3. 频谱测量

  • 通道功率
  • 带宽
  • 均值频率
  • 中位数频率
  • 谐波失真

三、相关性和卷积

（一）目的

利用相关性和卷积函数，用于检测信号相似性。确定周期性，找到隐藏在长数据记录中的感兴趣的信号，并测量信号之间的延迟以同步它们

（二）常见应用

  • 在测量中找到信号
    确定一个信号是否与一段较长的噪声数据流相匹配。
  • 对齐两个简单信号
    学会使用互相关来对齐不同长度的信号。
  • 将信号与不同开始时间对齐
    同步不同传感器在不同时刻采集的数据。
  • 使用互相关性对齐信号
    使用互相关性融合异步数据。
  • 使用自相关求周期性
    验证含噪信号中是否存在周期，并确定其持续时间。
  • 回波抵消
    使用自相关来过滤语音记录中的回声

（三）互相关和自相关概念

1. 互相关

互相关函数是描述随机信号x(t),y(t)在任意两个不同时刻t1，t2的取值之间的相关程度

2. 自相关

自相关函数是描述随机信号x(t)在任意两个不同时刻t1，t2的取值之间的相关程度

（四）信号的卷积

1. 作用

  • 提供一种方便的频域处理方式
  • 简单的应用就是频域滤波

2. 原理

  • 输出函数是输入函数和系统函数的卷积
  • 一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加
  • 对于线性时不变系统，如果知道该系统的单位响应，那么将单位响应和输入信号求卷积，就相当于把输入信号的各个时间点的单位响应 加权叠加，就直接得到了输出信号。

四、数字和模拟滤波器

（一）数字滤波器设计

1. IIR滤波器

Finite impulse response filters， 有限脉冲响应滤波

1.1 与 FIR 滤波器的比较

优点： 要满足同一组设定，它的滤波器阶数通常远远低于 FIR 滤波器

1.2 IIR分类

  • Butterworth 滤波器
    在这里插入图片描述

  • Chebyshev I 类滤波器
    在这里插入图片描述

  • Chebyshev II 类滤波器
    在这里插入图片描述

  • 椭圆滤波器
    在这里插入图片描述

2. FIR滤波器

Infinite impulse response filters，无限脉冲响应滤波器

2.1 与IIR滤波器比较

优点：

  • 它们可以具有精确的线性相位。
  • 它们始终稳定。
  • 设计方法通常是线性的。
  • 它们可以在硬件中高效实现。
  • 滤波器启动瞬态具有有限持续时间。
2.2 滤波器设计方法
  • 加窗
    对指定的矩形滤波器的截断傅里叶逆变换应用加窗
  • 多频带（包含过渡带）
    对频率范围的子带使用等波纹或最小二乘方法
  • 约束最小二乘
    根据最大误差约束，在整个频率范围内最小化平方积分误差
  • 任意响应
    任意响应，包括非线性相位和复滤波器
  • 升余弦
    具有平滑正弦转换的低通响应

（二）数字滤波器分析(未学习)

（三）数字滤波(未学习)

（四）多采样率信号处理(未学习)

（五）模拟滤波器(未学习)

五、变换(未学习)

六、频谱分析(未学习)

七、时频分析(未学习)

八、信号建模(未学习)

九、振动分析(未学习)

十、深度学习处理信号

（一）需要做的任务

  • 信号标注
  • 特征工程
  • 数据集生成

（二）信号处理用到的函数

1. 标注函数

  • labeledSignalSet
    创建标记信号集
  • signalLabelDefinition
    创建信号标签定义

2. 数据存储函数

  • signalDatastore 用于收集信号的数据存储

3. 特征提取函数

  • findchangepts 发现信号的突变
  • findpeaks 找到局部极大值
  • findsignal 利用相似性搜索寻找信号定位
  • fsst 傅里叶同步压缩变换
  • instfreq 瞬时频率估计
  • pentropy 信号的光谱熵
  • periodogram 周期图功率谱密度估计
  • pkurtosis 信号或谱图的光谱峰度
  • powerbw 功率带宽
  • pspectrum 在频域和时频域分析信号
  • pwelch 韦尔奇功率谱密度估计

（三）信号处理的APP

  • Signal Analyzer
    可视化并比较多个信号和频谱
  • Signal Labeler
    标记信号属性，区域和兴趣点

总结以上所有内容的PPT下载

深度学习在信号处理中的应用
VnReact的博客
09-19 703
通过利用深度学习的强大特征提取和模式识别能力，我们可以在音频信号处理、图像信号处理和传感器数据处理等领域取得显著的成果。信号处理是处理和分析来自不同领域的信号的过程，例如音频、图像、视频和传感器数据等。传感器数据可以是来自于加速度计、陀螺仪、气压传感器等的时间序列数据，深度学习模型可以用于传感器数据的分类、异常检测和预测等任务。深度学习模型可以用于图像的分类、目标检测、图像生成和图像分割等任务。在本文中，我们将探讨深度学习在信号处理中的应用，并提供一些相关的源代码示例。
深度学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 32万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
一文搞懂深度学习
小马过河R的博客
02-06 2146
深度学习是机器学习的进阶分支，专用于解决传统机器学习难以处理的复杂问题。机器学习更侧重“广义的数据建模”，而深度学习聚焦“多层神经网络的自动化学习”。示例用机器学习预测房价：线性回归分析历史数据中的面积、位置等因素。用深度学习识别人脸：CNN模型自动从像素中学习眼睛、鼻子等特征组合。RNN 是一种强大的序列数据处理工具，但其训练和优化需要特别注意梯度问题。通过引入 LSTM 和 GRU 等变体，可以更好地处理长序列数据。
时频转换 | Matlab同步压缩变换Synchrosqueezing transform一维数据转二维图像方法
matlab_daizuo的博客
02-10 985
时频分析作为信号处理领域的一项关键技术，旨在同时揭示信号在时间和频率上的变化规律。传统的傅里叶变换虽然能够提供信号的频谱信息，但其在时域上的分辨率有限，难以有效分析非平稳信号。为了克服这一局限性，诸如短时傅里叶变换(STFT)和小波变换等时频分析方法应运而生。然而，这些方法仍然面临着时频分辨率之间的trade-off，即在提高时间分辨率的同时往往会牺牲频率分辨率，反之亦然。
主流监督式机器学习分类算法
ouyangqq2017的博客
05-16 1万+
基于机器学习的波形分类算法比较 姓名：欧阳强强     学号：169559 摘要：机器学习是未来解决工程实践问题的一个重要思路。本文采比较了目前监督式学习中几种主流的分类算法（决策树、SVM、贝叶斯、KNN、随机森林、AdaBoost）对UCI波形数据集的分类效果。利用Python的Skilearn开源包搭建分类器，以UCI波形数据集中的前3000个样本作为训练集，后2000个作为测试集，分别
深度学习信号处理
weixin_45209597的博客
04-25 6035
获取数据集 官方给出了数据集下载地址，直接下载即可。这是一个轴承在一段时间内的振动信号数值及其故障类别。注意，振动信号数值已经说明，时间序列的同列取值不相关，甚至可以认为每一个id时间序列数目也不一样，所以必须对时序数据提取特征。 注意，数据集仓库还有其他一些高校数据集，注意版权问题。 ———————————————— 版权声明：本文为CSDN博主「周先森爱吃素」的原创文章，遵循 CC 4.0 B...
matlab在振动信号处理中的应用_深度学习在物理层信号处理中的应用研究
weixin_39612849的博客
11-21 743
作者：Murph摘要：目前针对5G通信高可靠和超高容量无线通信的需求已经引起了广泛关注与研究。然而，当前的通信系统依然受制于传统的通信理论而限制了网络性能的突破性提升。作为一项广受关注和应用的新兴技术，深度学习已经被证实有潜力处理复杂通信系统中通信问题并提高通信性能。本文主要介绍基于深度学习的物理层应用，并提出一种基于深度Q网络(DQN)的MIMO系统位置信息验证方案，接收者在多变未知的信道环境下...
信号处理深度学习机器学习_机器学习与信号处理
weixin_26752765的博客
09-05 4400
信号处理深度学习机器学习 机器学习性能与两种关键信号处理算法(快速傅里叶变换和最小均方预测)的有趣对比。 (A fun comparison of machine learning performance with two key signal processing algorithms — the Fast Fourier Transform and the Least Mean Squares...
使用机器学习和深度学习处理信号基础知识.pptx
08-02
该PPT内容理论参考本人博客（https://blog.csdn.net/weixin_43935696/article/details/107753531）
DeepLearning-信号处理
Stay fool & simple
12-27 830
通用MATLAB 基于深度网络构建信号处理系统：  对信号进行分析、预处理和交互式注释  提取特征并转换信号，用以训练深度神经网络  为生物医学、音频、通信和雷达等真实应用场景构建深度学习模型  通过连接硬件和仿真来采集并生成信号数据集 信号标注和数据集管理 时频变换 时频表示将信号中的频谱成分视为时间的函数并描述其随时间发生的变化。可以训练深度学习网络从时频表示中识别并提取模式。同时可以从多种技术中任选其一来生成信号的时频表示，如 频谱图、梅尔频谱图、Wigner-Ville 和连续小波变换（尺度
深度学习笔记（1）机器学习与深度学习基础
hanliu2003的博客
08-28 1188
一些深度学习的简单概念和Transformer的学习。
深度学习笔记包含机器学习 深度学习
最新发布
03-01
《AI算法工程师手册.pdf》可能是对深度学习和机器学习全貌的概述，包含了一系列算法和工程实践的知识。《监督学习.pdf》和《无监督学习.pdf》则分别专注于监督和无监督学习的理论和应用。《机器学习.pdf》和《深度...
机器学习深度学习基础算法知识笔记与案例代码.zip
06-22
机器学习深度学习基础算法知识笔记与案例代码 机器学习、深度学习、自然语言处理基础知识总结。 目前主要参考李航老师的《统计学习方法》一书，也有一些内容例如XGBoost、聚类、深度学习相关内容、NLP相关内容等是...
机器学习、深度学习、自然语言处理等人工智能基础知识总结以及源代码.zip
02-27
机器学习、深度学习、自然语言处理等人工智能基础知识总结以及源代码.zip 说明 机器学习、深度学习、自然语言处理基础知识总结。 目前主要参考李航老师的《统计学习方法》一书，也有一些内容例如XGBoost、聚类、...
matlab在信号的应用,深度学习在信号处理领域的应用
weixin_29099729的博客
03-17 386
此示例说明如何使用深度学习和信号处理对来自 PhysioNet 2017 Challenge 的心电图 (ECG) 数据进行分类。具体而言，该示例使用长短期记忆网络和时频分析。此示例说明如何使用连续小波变换 (CWT) 和深度卷积神经网络 (CNN) 对人体心电图 (ECG) 信号进行分类。此示例说明如何使用卷积神经网络 (CNN) 进行调制分类。此示例说明如何使用递归深度学习网络和时频分析来分割...
深度学习中的语音信号处理基础
AI工程化、开源分享、文档翻译、代码笔记
09-17 4632
音频处理流程 常用谱：幅度谱、梅尔谱 时域 --> 频域 分帧 窗长 帧移 语音信号特征获取流程 梅尔谱 使用 librosa 提取梅尔谱 使用 tacotron 获取梅尔谱（推荐）
机器学习信号处理
leva的博客
08-19 6450
使用机器学习处理信号，我以语音信号为例。常见的声学信号特征有： 这些是声学信号中，常见的手工特征。针对特定的信号，会有一些常用的特征。一些通用的方法有：小波分解，信号分解（提取信号不同频率的特质）、主成分分解等。可以根据问题，先提取信号特征，再将特征输入到机器学习模型中进行建模分析。此外，机器学习（深度学习）技术本身也可以做信号特征的处理，比如以传统的全连接神经网络构造自编码器，或者是以卷积为基的深度学习自编码器（注意要信号的维度来选择不同的网络结构），这些都可以用来提取信号的特征+输出最终结果（分类或回
使用MATLAB实现信号处理的深度学习
2401_88845856的博客
11-10 1495
我们可以将深度学习应用于与信号相关的问题，同时通过有效的信号处理，帮助深度模型更好地学习信号的内在模式，提高结果准确率。为了优化网络性能，测试不同的参数值组合，例如，每一层的节点数目、卷积层中使用的滤波器大小、最大池化层中使用的池大小等，取值各不相同。实际上，为了从数据集提取尽可能多的有用信息，我们必须处理所有分辨率级别的图像，哪怕图像中的目标只有几个像素宽。通常，科研工作者会更关注中间的两部分，而对于工程问题，不仅要考虑算法开发，同时要关注如何获取到真实有效的数据，以及最终将模型部署于商业商品中。
利用MATLAB深度学习提升信号处理性能：Conv-TasNet在语音分离中的创新应用与实践
weixin_43199439的博客
11-27 1144
传统的语音分离方法一般依赖于特征提取和信号处理步骤，而深度学习的端到端模型则能够直接从原始的音频波形中进行训练和分离，极大地简化了处理流程。端到端的优点在于，它能够自动学习到数据中隐含的特征，从而省去手工特征设计的步骤。在深度学习驱动的语音分离研究中，（Convolutional Time-domain Audio Separation Network）模型作为一种经典且有效的端到端模型，成为了语音分离的一个重要突破。
机器学习波形识别算法
01-03
### 关于机器学习中用于波形识别的算法 #### 基于深度学习的方法 对于自动调制分类，一种基于深度学习的方法被广泛研究并应用于实际场景。这种方法利用卷积神经网络（CNNs）、循环神经网络（RNNs）及其变体来处理复杂的无线电信号特征提取任务[^1]。 ```python import tensorflow as tf from tensorflow.keras import layers, models def create_cnn_model(input_shape): model = models.Sequential() # 添加二维卷积层 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape)) model.add(layers.MaxPooling2D((2, 2))) # 更多卷积层... # 展平层 model.add(layers.Flatten()) # 全连接层 model.add(layers.Dense(64, activation='relu')) # 输出层 model.add(layers.Dense(num_classes, activation='softmax')) return model ``` 这种模型能够有效地捕捉时间序列数据中的局部依赖关系，并通过池化操作减少参数数量从而提高计算效率。此外，在面对不同类型的输入信号时表现出良好的泛化能力。 #### 子奈奎斯特采样下的挑战与解决方案 当涉及到子奈奎斯特频率范围内的波形识别时，则面临着额外的技术难题——由于低于标准采样率而导致的信息丢失可能引起频谱混叠现象，进而影响最终分类效果。为了克服这一障碍，研究人员开发出了专门针对此类情况优化过的高效算法和技术手段，旨在提升性能的同时降低运算成本[^2]。 #### 应用领域概述 除了上述提到的具体技术实现外，还有许多其他方面也值得探讨，比如如何将这些先进的模式识别工具集成到更广泛的通信系统框架内；或是探索它们在特定应用场景下所能带来的潜在优势，如高精度定位服务、增强的安全机制以及资源管理策略等方面的应用潜力[^3]。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Better Bench

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值