1 前言

最近在做一个项目，需要将声纳信号中的特征都提取出来进行分析。资料查到头秃终于整合出来了些东西，记录一下。

由于不是专业人员，如果发现任何错误请不要大意的附在评论区，我会及时修改，谢谢！

2 思路

思路这段引用自知乎大佬aresmiki的回答，我觉得OK。

1、首先，在特征提取之前需楼主明确是怎样的信号，怎样的应用，怎样的场景，因为针对不同应用和场景选择的特征提取也不近相同。

2、信号特征的提取往往都是用最简单有效的参数表示信号中的信息，这是根本目的。

3、针对不同后端模型需要确定特征维度。

4、开始特征提取前，信号往往需要做一些预处理，如滤波、去均值、去异常等等。

特征提取有哪些方法：

1、拿到时间域一维信号，简单统计和运算可以得到的特征有：均值，方差，均方根，峰值因子，峭度系数，波形因子，裕度因子、脉冲因子。

2、估计--分布参数一般服从某一类分布；

3、频域，特征频率，均方频率，重心频率，频率方差；

4、小波方法提取的系数，小波滤波后的特征频率等等；

5、信号熵，谱熵，排列熵，小波熵，EMD熵，包络谱熵等；

6、谱峭度，快速谱峭度、小波谱峭度等；

7、基于数学工具和降维的特征，如PCA，矩阵特征向量，矩阵的秩，特征根，SVD-奇异值、ICA等等；

8、一些基于距离的度量、范数、马氏距离、分形参数，同胚流行等等；

9、任何能表征信号特征的自定义参数均可以，注意有意义有时是结合实际需求的。

3 预处理

matlab的波形预处理还是很人性化的，具体说来“Signal Analyzer”工具箱好像就够用了，至于其他的工具箱大家也可以看看。

这个工具箱在matlab顶上点选【APP】之后能找到，它的教程在官网上也很清楚了，传送门附上：点我传送

这个网站里关于“Signal Analyzer”工具箱的使用教程在【使用Signal Analyzer App】超链接下。其他超链接里的内容也可以逛逛，说不定对你有些启发。

下面的代码可以参考：

%%  初始化
clear
clc%%  读取文件
[sonar,fs] = audioread('test.wav');    %采样频率%%  滤波处理
sonar = sonar - mean(sonar);    %去直流分量
sonar = lowpass(sonar,0.5,'Steepness',0.85,'StopbandAttenuation',60);       %低通滤波
sonar = highpass(sonar,0.5,'Steepness',0.85,'StopbandAttenuation',60);      %高通滤波

4 时域特征提取

%%  数据特征提取
[nframes,nchannels] = size(sonar);  %采样点数与声道数
time = nframes / fs;   %采样时间 = 采样总点数 / 每秒采样点数%%  双声道时域信息提取
max_data = max(sonar);   %最大值
min_data = min(sonar);   %最小值
median_data = median(sonar);    %中位数
mean_data = mean(sonar);     %平均值
pk_data = max_data - min_data;     %峰差
avg_data = mean(abs(sonar));     %整流平均值_绝对值的平均值
var_data = var(sonar);      %方差
sd_data = std(sonar);    %标准差
ku_data = kurtosis(sonar);      %峭度
sk_data = skewness(sonar);      %偏度
rm_data = rms(sonar);       %均方根%%  左声道时域
l_max = max_data(1);
l_min = min_data(1);
l_median = median_data(1);
l_mean = mean_data(1);
l_pk = pk_data(1);
l_avg = avg_data(1);
l_var = var_data(1);
l_sd = sd_data(1);
l_ku = ku_data(1);
l_sk = sk_data(1);
l_rm = rm_data(1);
l_S = l_rm / l_avg;    %均方根因子
l_C = l_pk / l_rm;     %峰值因子
l_I = l_pk / l_avg;    %脉冲因子
l_xr = mean(sqrt(abs(sonar(1))))^2;
l_L =  l_pk/ l_xr;     %裕度因子%%  右声道频域
r_max = max_data(2);
r_min = min_data(2);
r_median = median_data(2);
r_mean = mean_data(2);
r_pk = pk_data(2);
r_avg = avg_data(2);
r_var = var_data(2);
r_sd = sd_data(2);
r_ku = ku_data(2);
r_sk = sk_data(2);
r_rm = rm_data(2);
r_S = r_rm / r_avg;    %均方根因子
r_C = r_pk / r_rm;     %峰值因子
r_I = r_pk / r_avg;    %脉冲因子
r_xr = mean(sqrt(abs(sonar(2))))^2;
r_L =  r_pk/ r_xr;     %裕度因子

5 频域特征提取

这块写的我也没啥自信了，毕竟是根据网上东拼西凑的资料写出来的。

%%  双声道频域信息提取
[fft_sonar,f_range] = positiveFFT(sonar,fs);
N = length(fft_sonar);      %fft采样点数
subplot(5,2,5);
fft_amp = abs(fft_sonar);   %振幅(幅频特性)
stem(f_range,fft_amp);  %x-正频率;y-振幅
title('频域声纳波形');
fft_phase = angle(fft_sonar);   %相频特性
subplot(5,2,6);
plot(f_range,fft_phase);
title('相频特性图')amp_max = max(fft_amp);     %振幅最大值
amp_min = min(fft_amp);     %振幅最小值
amp_median = median(fft_amp);   %振幅中位数
amp_mean = mean(fft_amp);       %振幅平均值
amp_pk = amp_max - amp_min;     %振幅峰差
amp_mph = amp_pk * 0.75;           %振幅峰值阈值，阈值为75%的振幅峰差
%[amp_pkfs,amp_pks] = findpeaks(fft_amp,'minpeakheight',amp_mph);
%amp_pkfs = amp_pkfs / N * fs/2;
amp_pks = [];   %振幅峰值
amp_pkfs = [];  %振幅峰值对应的频率
for i = 1:Nif amp_mph < fft_amp(i)amp_pks = [amp_pks,fft_amp(i)];amp_pkfs = [amp_pkfs,i / N * fs / 2];end
endavg_fs = fs*[1:N] / N;
avg_fft = 2 * fft_amp / N;amp_fc = sum(avg_fs .* avg_fft) / sum(avg_fft);     %重心频率
amp_msf = sum(avg_fs.^2 .* avg_fft) / sum(avg_fft);    %均方频率
amp_rmsf = sqrt(amp_msf);   %均方根频率
amp_vf = sum((avg_fs - amp_fc).^2 .* avg_fft) / sum(avg_fft);  %频率方差
amp_rvf = sqrt(amp_vf);     %频率标准差

6 功率谱

%%  双声道功率谱信息提取
power = abs(fft_sonar).^2 / N;      %功率 = 傅里叶变换^2 / 区间长度,fft的幂
subplot(5,2,7);
plot(f_range,power);
title('功率谱');
power_y = 10*log10(power);      %放大低频
power_y(1) = mean(power_y);     %去除直流影响
subplot(5,2,8);
plot(f_range,power_y);
title('放大低频的功率谱');power_max = max(power);     %功率最大值
power_min = min(power);     %功率最小值
power_median = median(power);       %功率中位数
power_mean = mean(power);           %功率平均值
power_snr = 10*log10(power_max / (sum(power) - power_max));     %信噪比
power_obw = obw(sonar,fs);      %占用带宽

7 倒谱

%%  双声道倒频谱信息提取
cepstrum = real(ifft(log(abs(fft(sonar(:,1))))));
during_time = 1/fs:1/fs:time;
subplot(5,2,9);
plot(during_time,cepstrum,'color',[29/255 176/255 184/255]);ylim([0 0.01]);
title('左声道倒频谱');
cepstrum = real(ifft(log(abs(fft(sonar(:,2))))));
during_time = 1/fs:1/fs:time;
subplot(5,2,10);
plot(during_time,cepstrum,'color',[86/255 163/255 108/255]);ylim([0 0.01]);
title('右声道倒频谱');

matlab时域频域信号特征提取资料整合相关推荐

matlab中频域信号IFFT,MATLAB中ifft函数用法、性质、特性-以及与fft的组合应用全面深入解析(含程序)...
MATLAB中ifft函数用法.性质.特性,以及与fft的组合应用全面深入解析(含程序) 前言在我之前的<MATLAB中fft函数用法.性质.特性.缺陷全面深入解析(含程序)>中,我已经 ...
matlab中如何对一组复数频域信号进行快速傅里叶逆变换
matlab中如何对一组复数频域信号进行快速傅里叶逆变换为何需要对复数频域信号进行快速傅里叶逆变换快速傅里叶变换(fft)后的数据格式快速傅里叶逆变换至原信号时域波型第一步第二步第三步验 ...
《数字语音处理》- 1. 基于MATLAB的语音信号时域特征分析
声明本文仅在CSDN发布,其他均为盗版.请支持正版! 正版链接: https://blog.csdn.net/meenr/article/details/117629753 基于MATLAB的语音信 ...
频域参数 matlab,基于MATLAB的语音信号时频域参数分析
22 科技广场 2007.9 基于MATLAB的语音信号时频域参数分析 the Character Analysis of Speech Signal with Time and Frequency ...
matlab计算频域动态性能指标,基于MATLAB自动控制系统时域频域分析与仿真.doc
word文档可编辑复制 word文档可编辑复制基于MATLAB的自动控制系统时域频域分析与仿真摘要自动控制系统就是在无人直接操作或干预的条件下,通过控制装置使控制对象自动的按照给定的规律运 ...
python时域信号特征提取（各种因子）
#######################################计算因子###############################import csv import pandas a ...
用matlab画出时域波形,用Matlab画出信号的时域波形与频谱,观察它们的关系。.ppt...
信号与系统课程实践考察班级: 学号: 姓名: 指导老师: 一实验题目试用MATLAB画出它们的时域波形及频谱,观察它们的关系. 二实验目的 1 正确运用傅立叶变换 2用Matlab编程观察周期 ...
【Matlab心音信号】EMD心音信号特征提取【含GUI源码 1735期】
一.代码运行视频(哔哩哔哩) [Matlab心音信号]EMD心音信号特征提取[含GUI源码 1735期] 二.matlab版本及参考文献 1 matlab版本 2014a *2 参考文献 [1] 沈再 ...
matlab 复频域,MATLAB信号与系统分析（四）——离散信号与系统的复频域分析及MATLAB实现...
一.系统的z变换和反变换 1.利用部分分式展开求解逆Z变换: 2.例子 3.Z变换的MATLAB函数 clear all f=sym('cos(a*k)'); F=ztrans(f) F=sym('z ...
用matlab画出信号波形,用Matlab画出信号的时域波形及频谱,观察它们的关系
<用Matlab画出信号的时域波形及频谱,观察它们的关系>由会员分享,可在线阅读,更多相关<用Matlab画出信号的时域波形及频谱,观察它们的关系(18页珍藏版)>请在人人文库 ...

matlab时域频域信号特征提取资料整合