🔥
内容介绍
时频域特征提取是信号处理领域中的关键技术，其目的是从非平稳信号中提取具有判别性的特征，以便用于后续的分析、识别和分类。随着科学技术的发展，各种时频域分析方法层出不穷，为解决复杂的信号处理问题提供了强有力的工具。本文旨在对45种常见的时频域特征提取方法进行综述，涵盖时域、频域、小波变换和信息熵等多个方面，并概述其在MATLAB中的实现思路，为相关研究提供参考。
一、时域特征
时域分析直接作用于信号的时间序列，简单直观，计算效率高，适用于提取信号的统计特性。以下列举了部分常用的时域特征：
均值 (Mean Value):
信号的平均水平，反映信号的整体直流分量。
方差 (Variance):
衡量信号围绕均值的波动程度，体现信号的能量分布。
标准差 (Standard Deviation):
方差的平方根，具有与信号相同的量纲，更易于解释。
均方根 (Root Mean Square, RMS):
信号能量的有效度量，对非平稳信号的能量变化敏感。
峰值 (Peak Value):
信号的最大振幅，反映信号的瞬时最大能量。
峰峰值 (Peak-to-Peak Value):
信号最大振幅与最小振幅之差，反映信号的整体振幅范围。
偏度 (Skewness):
描述信号分布的对称性，正偏度表示数据分布偏向左侧，负偏度表示数据分布偏向右侧。
峭度 (Kurtosis):
描述信号分布的峰态，反映信号分布的尖锐程度。
波形因子 (Shape Factor):
RMS值与绝对值均值的比值，反映信号的波形形状。
峰值因子 (Crest Factor):
峰值与RMS值的比值，反映信号的冲击强度。
脉冲因子 (Impulse Factor):
峰值与绝对值均值的比值，反映信号的脉冲特性。
裕度因子 (Margin Factor):
峰值与方根振幅的比值，反映信号的整体振动强度。
过零率 (Zero Crossing Rate):
信号穿过零点的次数，反映信号的频率特性，尤其适用于语音信号分析。
短时能量 (Short Time Energy):
信号在短时间内能量的累积，反映信号的强度变化，适用于语音信号的端点检测。
平均幅度差函数 (Average Magnitude Difference Function, AMDF):
描述信号自相关性的函数，可用于估计信号的基频。
自相关函数 (Autocorrelation Function, ACF):
衡量信号自身在不同时间延迟下的相似性，用于提取信号的周期性信息。
MATLAB实现思路:
时域特征的MATLAB实现较为简单，通常使用内置函数即可完成。例如，
mean()
,
var()
,
std()
,
rms()
,
max()
,
min()
,
skewness()
,
kurtosis()
,
zc()
,
xcorr()
等。 需要注意的是，一些自定义的因子计算需要结合基本的统计参数进行计算。
二、频域特征
频域分析将信号从时域转换到频域，揭示信号的频率成分和能量分布，适用于分析信号的周期性和谐波结构。常用的频域分析方法包括傅里叶变换及其衍生方法。
频谱 (Spectrum):
信号的频率成分分布图，通过傅里叶变换得到，反映信号在不同频率上的能量大小。
功率谱密度 (Power Spectral Density, PSD):
单位频率上的功率分布，用于描述随机信号的频率特性。
频谱质心 (Spectral Centroid):
频谱能量的加权平均频率，反映频谱的整体位置，可用于区分不同类型的信号。
频谱扩展度 (Spectral Spread):
频谱能量围绕频谱质心的扩散程度，反映频谱的带宽。
频谱偏度 (Spectral Skewness):
频谱分布的对称性，反映频谱的形状。
频谱峭度 (Spectral Kurtosis):
频谱分布的峰态，反映频谱的尖锐程度。
频谱平坦度 (Spectral Flatness):
频谱能量的均匀程度，用于区分噪声和纯音信号。
梅尔频率倒谱系数 (Mel-Frequency Cepstral Coefficients, MFCC):
模拟人耳听觉特性的频谱特征，广泛应用于语音识别。
线性预测系数 (Linear Prediction Coefficients, LPC):
通过线性预测模型估计信号的频谱包络，用于语音编码和识别。
谱熵 (Spectral Entropy):
描述频谱的复杂程度，熵值越高表示频谱越复杂。
谐波成分 (Harmonic Components):
信号的谐波频率成分，反映信号的周期性和音调。
能量集中度 (Energy Concentration):
衡量信号能量在特定频率范围内的集中程度。
MATLAB实现思路:
频域特征的提取依赖于傅里叶变换。MATLAB中的
fft()
函数可以实现离散傅里叶变换 (DFT)。
pwelch()
函数可以估计功率谱密度。
mfcc()
函数可以提取MFCC特征 (需安装音频处理工具箱)。 谱熵的计算需要结合概率论和信息论的知识。
三、小波变换特征
小波变换是一种多分辨率分析方法，能够在时频域同时对信号进行分解，适用于分析非平稳信号的瞬时变化。
小波系数 (Wavelet Coefficients):
经过小波分解后得到的系数，反映信号在不同尺度下的频率成分。
细节系数 (Detail Coefficients):
反映信号的高频成分，对应于小波分解的高频子带。
近似系数 (Approximation Coefficients):
反映信号的低频成分，对应于小波分解的低频子带。
小波能量 (Wavelet Energy):
小波系数的平方和，反映信号在不同尺度下的能量分布。
小波熵 (Wavelet Entropy):
描述小波系数分布的复杂程度，反映信号的非平稳程度。
小波模极大值 (Wavelet Modulus Maxima):
小波系数的局部极大值点，反映信号的奇异点或突变点。
小波重构信号 (Wavelet Reconstructed Signal):
利用部分小波系数重构的信号，可用于信号去噪或特征提取。
尺度能量比 (Scale Energy Ratio):
不同尺度下小波能量的比值，反映信号频率成分的相对强弱。
MATLAB实现思路:
MATLAB提供了完善的小波分析工具箱。
wavedec()
函数可以进行小波分解，
wrcoef()
函数可以提取细节系数和近似系数，
wenergy()
函数可以计算小波能量，
wden()
函数可以进行小波去噪。
四、信息熵特征
信息熵是信息论中的一个重要概念，用于衡量信号的不确定性和复杂程度。
香农熵 (Shannon Entropy):
描述信号分布的混乱程度，熵值越大表示信号越随机。
近似熵 (Approximate Entropy, ApEn):
衡量时间序列的复杂度和不规则性，对参数的选择比较敏感。
样本熵 (Sample Entropy, SampEn):
对近似熵的改进，对参数的选择不敏感，更稳定。
多尺度熵 (Multiscale Entropy, MSE):
在多个时间尺度上计算样本熵，能够更全面地描述信号的复杂性。
模糊熵 (Fuzzy Entropy, FuzzyEn):
采用模糊隶属函数来量化样本之间的相似性，克服了样本熵的一些缺点。
排列熵 (Permutation Entropy, PE):
通过分析时间序列的排列模式来衡量其复杂度，计算简单，对噪声不敏感。
条件熵 (Conditional Entropy):
在已知一个变量的条件下，另一个变量的不确定性，可用于衡量信号的相关性。
互信息 (Mutual Information, MI):
衡量两个变量之间的依赖程度，可用于特征选择和信号同步。
Renyi熵 (Renyi Entropy):
香农熵的推广，可以通过调节参数来改变熵的灵敏度。
MATLAB实现思路:
信息熵特征的MATLAB实现需要编写自定义函数。 香农熵可以使用概率分布和
log()
函数计算。 近似熵、样本熵、多尺度熵和模糊熵的实现较为复杂，可以参考相关文献中的算法步骤。 排列熵的计算需要先对时间序列进行排列模式的分析。 MATLAB的信息论工具箱 (如存在) 可能会提供部分信息熵的计算函数。
结论
本文对45种常见的时频域特征提取方法进行了综述，涵盖了时域、频域、小波变换和信息熵等多个方面。每种方法都有其独特的优势和适用范围。在实际应用中，需要根据信号的特性和具体的分析目标选择合适的特征提取方法，或者将多种方法结合起来，以获得更全面和准确的信号描述。
⛳️ 运行结果
🔗 参考文献
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP
、
置换流水车间调度问题PFSP
、
混合流水车间调度问题HFSP
、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
