[原创]数字信号处理中的卷积网络深度学习猜想(3) - 信号动态周期包络算法

基本原理请参考这篇文章：

https://blog.csdn.net/xeonmm1/article/details/95735261

 

这次我们希望通过全尺度卷积算法实现一个随机信号的包络计算，包络计算的难题是：如果使用幅度逼近，则可能缺失时域，如果使用时域逼近，则可能缺失幅度，之所以出现这种情况是因为随机信号的信号成分不是固定的，里面包含了从低到高的频率，和不同的幅度信号，为了尽可能缓和两者之间的矛盾，本文使用了一种统计的动态方法，兼顾一定频域内(f-k,f+k)的信号可以被“风险最小化”地取到包络点。

原理：

1.使用全尺度卷积，但是卷积窗只使用三个尺度，f-k,f,f+k，这样做的目的是为了具备一个动态范围，能够适应一定范围内的频率变动，如果该片信号的波动较大的话，这个算法是无能为力的，也是强人所难的；

2.非线性卷积核：在窗口滑动的过程中，选择该次最大或最小的特征点计数+1，这样可以形成一个特征计数表，每一个点被窗扫描的次数是一定的，所以每次扫描必然会获得[0,period]的计数范围；

3.将三个特征-尺度计数表归一化相加后，若其总计数>0.5，则证明该特征点，在目标频率周期范围内具备统治性，是可能的包络点；

4.清理异常点和边缘点；