探索时频域特征提取：从理论到Matlab实战
时域、频域、信息熵等40多种时频域特征提取算法。 #时频域特征提取# 时域信号特征包括：最大值、最小值、峰值、峰峰值、均值、绝对平均值、方根幅值、方差、标准差、有效值（均方根）、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子。 频域信号特征包括：平均频率、重心频率、频率均方根、频率标准差。 小波特征包括：8个子带小波能量比、小波能量熵、8个子带的小波尺度熵、小波奇异谱熵。 熵特征包括：样本熵、排列熵、模糊熵、近似熵、能量熵、信息熵。 matlab代码，有excel数据和mat数据代码使用案例，注释清晰
在信号处理的广袤领域中，时频域特征提取是挖掘信号内在信息的关键手段。今天咱们就来唠唠这涵盖时域、频域、信息熵等多达40多种的时频域特征提取算法。
时域信号特征
时域信号特征就像是信号在时间维度上的一个个独特“指纹”。
- 最大值、最小值：这俩很直白，就是信号在给定时间段内的最大和最小取值。比如一个振动信号，最大值可能代表着设备运转时承受的最大冲击。
- 均值：信号所有采样点数值的平均，反映信号的平均水平。代码实现如下：
% 假设data是从excel读入的时域数据列向量 data = xlsread('your_excel_file.xlsx'); mean_value = mean(data); % 计算均值- 方差和标准差：方差衡量的是信号围绕均值的波动程度，标准差是方差的平方根。方差越大，说明信号波动越剧烈。
variance_value = var(data); % 计算方差 std_value = std(data); % 计算标准差- 峭度、偏度：峭度用于检测信号中的冲击成分，偏度则反映信号分布的不对称性。
频域信号特征
频域分析能让我们从另一个角度审视信号，看它由哪些不同频率成分组成。
- 平均频率：简单理解就是信号频率成分的加权平均。通过傅里叶变换将时域信号转换到频域，再计算平均频率。
N = length(data); Y = fft(data)/N; % 快速傅里叶变换 f = (0:N - 1)*(1/(N*dt)); % dt是采样间隔 power_spectrum = abs(Y).^2; average_frequency = sum(f.*power_spectrum)/sum(power_spectrum); % 计算平均频率- 重心频率：类似于质量分布中的重心概念，在频域里表示信号能量分布的中心频率。
小波特征
小波分析就像一个放大镜，能聚焦到信号的不同细节尺度。
- 8个子带小波能量比：将信号通过小波变换分解到不同子带，计算每个子带的能量占总能量的比例。
% 假设使用db4小波进行3层分解 [c, l] = wavedec(data, 3, 'db4'); for i = 1:8 subband_data = detcoef(c, l, i); subband_energy(i) = sum(subband_data.^2); end total_energy = sum(subband_energy); energy_ratio = subband_energy/total_energy; % 8个子带小波能量比- 小波能量熵：它量化了小波系数的不确定性或混乱程度。
熵特征
熵在信息论里代表着不确定性。在信号处理中，熵特征能反映信号的复杂程度。
- 样本熵：用于衡量时间序列的复杂性和规律性。计算样本熵的代码实现相对复杂一些：
function SampEn = sample_entropy(data, m, r) % m是嵌入维数，r是相似容限 N = length(data); B = 0; A = 0; for i = 1:N - m x_i = data(i:i + m - 1); for j = 1:N - m if j ~= i x_j = data(j:j + m - 1); d_ij = max(abs(x_i - x_j)); if d_ij <= r B = B + 1; end end end end B = B/(N - m)/(N - m - 1); for i = 1:N - m - 1 x_i = data(i:i + m); for j = 1:N - m - 1 if j ~= i x_j = data(j:j + m); d_ij = max(abs(x_i - x_j)); if d_ij <= r A = A + 1; end end end end A = A/(N - m - 1)/(N - m - 2); SampEn = -log(A/B); end- 排列熵：从时间序列的顺序模式角度来分析信号的复杂性。
Mat数据使用案例
Mat数据是Matlab特有的数据存储格式。假设我们有一个已经保存好的mat文件‘your_data.mat’，里面存储了时域信号数据。
load('your_data.mat'); % 加载mat数据 % 假设数据存储在变量名为'signal'的变量中 data = signal; % 接着就可以进行上述的各种特征提取操作啦通过对这些时频域特征提取算法的了解与实践，我们能更深入地剖析信号，无论是在机械故障诊断，还是语音识别等众多领域，都能为我们提供有力的数据分析支持。希望大家在实际应用中不断探索，挖掘出信号背后更多有价值的信息。
时域、频域、信息熵等40多种时频域特征提取算法。 #时频域特征提取# 时域信号特征包括：最大值、最小值、峰值、峰峰值、均值、绝对平均值、方根幅值、方差、标准差、有效值（均方根）、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子。 频域信号特征包括：平均频率、重心频率、频率均方根、频率标准差。 小波特征包括：8个子带小波能量比、小波能量熵、8个子带的小波尺度熵、小波奇异谱熵。 熵特征包括：样本熵、排列熵、模糊熵、近似熵、能量熵、信息熵。 matlab代码，有excel数据和mat数据代码使用案例，注释清晰