python時域訊號特徵提取

2021-10-01 06:49:29 字數 2073 閱讀 6034

def  psfeaturetime(data):

#均值df_mean=data.mean()

df_var=data.var()

df_std=data.std()

#均方根

df_rms=np.sqrt(pow(df_mean,2) + pow(df_std,2))

#峰峰值

fengfengzhi = max(data)-min(data)

#偏度df_skew=pd.series(data).skew()

#峰度df_kurt=pd.series(data).kurt()

sum=0

for i in range(len(data)):

sum+=np.sqrt(abs(data[i]))

#波形因子

df_boxing=df_rms / (abs(data).mean())

#峰值因子

df_fengzhi=(max(data)) / df_rms

#脈衝因子

df_maichong=(max(data)) / (abs(data).mean())

#裕度因子

df_yudu=max(data)/ pow(sum/(len(data)),2)

#峭度df_qiaodu =(np.sum([x**4 for x in data])/len(data)) / pow(df_rms,4)

featuretime_list = [round(df_rms,3),round(fengfengzhi,3),round(df_fengzhi,3),round(df_boxing,3),round(df_maichong,3),round(df_yudu,3),round(df_qiaodu,3)]

return featuretime_list

if __name__ == '__main__':

p1 = psfeaturetime(records1)

p1

def get_rms(records):

"""均方根值 反映的是有效值而不是平均值 """

root_mean = math.sqrt(sum([x ** 2 for x in records]) / len(records))

"""峰峰值"""

peak_to_peak = max(records)-min(records)

"""峰值指標"""

crest_factor = max(records)/root_mean

"""波形指標"""

shape_factor = root_mean/abs(sum([x for x in records]) / len(records))

"""脈衝指標"""

impulse_factor = max(records)/abs(sum([x for x in records]) / len(records))

"""裕度指標"""

clarance = max(records)/pow(abs((sum(sqrt([abs(x) for x in records]))/len(records))),2)

"""峭度指標"""

kur = (sum([x**4 for x in records])/len(records))/pow(root_mean,4)

pstf = [round(root_mean,3),round(peak_to_peak,3),round(crest_factor,3),round(shape_factor,3),round(impulse_factor,3),round(clarance,3),round(kur,3)]

return pstf

if __name__ == '__main__':

records1 = [1, 2, 3, 4, 5, 6]

records2 = [2, 4, 6]

# 均方根

rms1 = get_rms(records1) # 4.08

rms2 = get_rms(records2) # 4.32

rms1

超聲檢測訊號特徵提取

超聲檢測訊號特徵提取 方法 採用小波包分析提取訊號特徵資訊,其基本思想是選取適當的小波基函式對訊號進行小波包變換,提取各個頻帶上的能量構成特徵向量。超聲檢測技術中,缺陷的準確定性分類這一技術難題至今尚未得以徹底解決。其主要原因在於,超聲缺陷回波訊號是一種典型的瞬態訊號,採用傳統的傅氏分析方法所得到的...

特徵工程 特徵提取

特徵提取 將任意資料 如文字或影象 轉換為可用於機器學習的數字特徵 注 特徵值化是為了計算機更好的去理解資料 字典特徵提取 作用 對字典資料進行特徵值化 dictvectorizer.get feature names 返回類別名稱 from sklearn.feature extraction i...

顏色特徵提取

顏色特徵是在影象檢索中應用最為廣泛的視覺特徵,主要原因在於顏色往往和影象中所包含的物體或場景十分相關。此外,與其他的視覺特徵相比,顏色特徵對影象本身的尺寸 方向 視角的依賴性較小,從而具有較高的魯棒性。面向影象檢索的顏色特徵的表達涉及到若干問題。首先,我們需要選擇合適的顏色空間來描述顏色特徵 其次,...