信号分析中一些特征量
时域
均值
有效值(RMS,对时间的均值:)
时域峰值
方差
协方差
短时能量
短时过零率
子频带能量比
频域
概要:信号频谱是在频率域对原信号分布情况的描述,能够提供比时域波形更加直观的特征信息。频谱分析是机械故障诊断中最常使用的方法。频谱分析中常用的有幅值谱和功率谱。功率谱表示振动功率的分布情况。幅值谱表示对应于各频率的谐波振动分量所具有的振幅,应用时显得比较直观,幅值谱上谱线高度就是该频率分量的振幅大小。
频域常用的特征
倒谱域
概要:倒频谱分析也被称为二次频谱分析,是近代信号处理中的一项非常重要的新技术,是检测复杂谱图中的周期分量的有用工具。通过对信号的功率谱进行倒频谱分析,使得较低的幅值有较高的加权,从而可以清楚地识别信号的组成,突出信号中的周期成分。因此,对信号进行倒频谱分析可以检测和分离频谱中存在的周期性成分的能力,会使得原来谱图上的边频谱线转化为在倒频谱上的单根谱线,从而使得频谱中的复杂周期成分变得清晰易辨,有利于机械故障诊断。机械中齿轮、滚动轴承等出现故障时,信号的频谱上会出现难以识别的多簇调制边频带,釆用倒频谱分析可分解和识别故障频率、故障的原因和部位。
MFCC
HCC
时频域
短时傅里叶变换
Gabor变换
小波变换
HHT变换
波形相关的特征
非高斯(non-Gaussianity)常用的两种度量方法
- Kurtosis(峭度):经典的测量非高斯方法,或称四阶累积量。y的Kurtosis定义为:
- Negentropy(负熵):基于信息理论上熵的概念。随机变量的熵可以理解为给定观察变量的信息度,越随机,熵越大。随机向量y的密度f(y)的微熵H被定义为:
- Kurtosis(峭度):经典的测量非高斯方法,或称四阶累积量。y的Kurtosis定义为:
关于非高斯性,根据中心极限定理,在某些条件下,独立随机变量的和在一定条件下是趋近与高斯分布。即独立随机变量的和比原始独立随机变量的任何一个更接近高斯分布。可以认为越具有高斯性,独立性越差,反之,非高斯性越强,独立性越强。
思考:关于这个,是否可以将其应用于EMD中,通过各个IMF分量的与原始信号的非高斯性的对比,观察IMF分量的独立性。
波形因子
峰值因子:反应波形的形状
脉冲因子
裕度因子
峭度因子
参考资料:
[1]ICA 讲课PPT——P22-26(非高斯度量)
信号分析中一些特征量相关推荐
- 信号分析——导数(Java/Matlab)
信号求导,可以消除信号的背景,确定谱峰的位置,改善谱峰分辨情况,一般地,在信号分析中,常用的信号求导为一阶.二阶导数.基于S-G滤波的基础上,获取拟合参数矩阵A后,可以利用滤波窗口的2m+1个数据对窗 ...
- Python分析离散心率信号(中)
Python分析离散心率信号(中) 一些理论和背景 心率信号不仅包含有关心脏的信息,还包含有关呼吸,短期血压调节,体温调节和荷尔蒙血压调节(长期)的信息.也(尽管不总是始终如一)与精神努力相关联,这并 ...
- 与语音信号处理有关的java书籍_MATLAB在语音信号分析与合成中的应用 中文pdf扫描版[198MB]...
语音信号处理是数字信号处理的一个重要分支.本书含有许多数字信号处理的方法和MATLAB函数.全书共10章.第1-4章介绍语音信号处理的一些基本分析方法和手段,以及相应的MATLAB函数:第5-9章介绍 ...
- 《MATLAB语音信号分析与合成(第二版)》:第3章 语音信号在其他变换域中的分析技术和特性
<MATLAB语音信号分析与合成(第二版)>:第3章 语音信号在其他变换域中的分析技术和特性 前言 1. 数据与函数路径设置 2. MATLAB仿真一:信号倒谱图.声道冲激响频谱.声门激励 ...
- 《MATLAB在语音信号分析与合成中的应用》下载地址
MATLAB在语音信号分析与合成中的应用_宋知用编著_北京航空航天大学出版社_2013.11_P386_完整版 PDF电子书下载 带书签目录_.zip_免费高速下载|百度网盘-分享无限制 (网盘) ...
- R语言使用dplyr包的group_by函数和summarise函数基于分组变量计算分析中涉及的所有协变量的均值(Difference in means of covariates)
R语言使用dplyr包的group_by函数和summarise函数基于分组变量计算分析中涉及的所有协变量的均值(Difference in means of covariates) 目录
- GWAS分析中协变量的区分(性别?PCA?初生重?)
1. 电子书领取 前几天发了一篇GWAS电子书分享,异常火爆,阅读量8000+,很多人评价比较基础.这本电子书主要特点是比较基础,GLM模型用软件和R语言进行比较,如何添加数字协变量.因子协变量.PC ...
- 用 XGBoost 在 Python 中进行特征重要性分析和特征选择
使用诸如梯度增强之类的决策树方法的集成的好处是,它们可以从训练有素的预测模型中自动提供特征重要性的估计. 在本文中,您将发现如何使用Python中的XGBoost库来估计特征对于预测性建模问题的重要性 ...
- 使用XGBoost在Python中进行特征重要性分析和特征选择
[翻译自 : Feature Importance and Feature Selection With XGBoost in Python] [说明:Jason Brownlee PhD大神的文章个 ...
最新文章
- 深度学习框架哪家强?MXNet称霸CNN、RNN和情感分析,TensorFlow仅擅长推断特征提取
- 防止接口数据出问题,前端假数据调试
- java心电图心率计算_java如何画心电图?
- 题目1022:游船出租
- Hive将查询结果保存到另一张表中
- 云服务器布置_【阿里云ECS】(一)云服务器上安装RStudio-server
- node.js全局对象和全局变量
- 【报告分享】2020中国直播行业风云洞察.pdf
- C语言和C++的区别到底是什么?
- 10 分钟让你明白 MySQL 是如何利用索引的
- android 微信浮窗实现_Android仿微信文章悬浮窗效果的实现代码
- 一定要收藏的面试思维导图
- dejavu中如何添加html文件,如何使用iText和Flying Saucer在HTML中创建PDF格式的字体? | 所有编程讨论 | zhouni.net...
- 微擎 人人商城 对接京东vop 对接京东商品,同步商品 地址,库存,价格,上下架等。五 (下)京东后台提交订单,通知用户...
- 苦心志,劳筋骨,饿体肤,乏其身,乱其所为
- ShowType=0,● 交换机命令show interfaces type 0/port_# switchport|trunk用于显示中继连接的配置情况,下面 - 赏学吧...
- PAMI2018跟踪算法HCFTstar的配置(Robust Visual Tracking via Hierarchical Convolutional Features)
- 搭建svn://模式的svn服务器
- 机器学习之K近邻算法原理+应用实例
- 什么是产品操作手册?企业该怎样制作产品操作手册页面?
热门文章
- 人生应该记住的16句话
- 成功实施ERP的八个建议
- php里的%是什么意思,大家帮小弟我看下这段代码中的“%”是什么意思
- vue watch第一次监听不到_Vue 的 computed 和 watch 的区别
- app把信息添加到mysql_如何将数据从iphone app上传到mysql数据库
- [蓝桥杯][2015年第六届真题]机器人塔(DFS)
- [蓝桥杯][2013年第四届真题]剪格子(dfs)
- 3.Excel数据透视表
- 我国最早超级计算机,全球十大超级计算机将在沪开通
- 计算机为何如此普遍英语论文,计算机英语论文