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頻譜，無法同時反映出其時域突變位置和對應頻率等特徵資訊，而缺陷回波訊號的特徵提取和選擇則是缺陷分類的前提，因此，特徵提取方法的優劣直接影響著缺陷分類的正確性和可靠性。小波變換具有時頻解析度高和多解析度分析的特點，適用於對瞬態訊號的分析處理。應用小波包分解手段將實測的缺陷回波訊號分解到不同尺度上，通過對各尺度上的能量進行統計分析，選取典型頻段上的特徵能量，構成反映訊號本徵的特徵向量，採用基於距離的類別可分性判據對其進行可分性測度分析。結果證明，該方法對超聲檢測缺陷回波訊號的特徵提取是有效的。
1.2 小波包變換
作為訊號的一種時頻分析方法，小波分解的缺點是頻率解析度隨頻率公升高而降低。小波包分解是一種比小波分解更為精細的分解方法。
1.2.1 小波包特徵提取
小波包變換的優勢： 由於正交小波變換只對訊號的低頻部分做進一步分解，而對高頻部分也即訊號的細節部分不再繼續分解，所以小波變換能夠很好地表徵一大類以低頻資訊為主要成分的訊號，但它不能很好地分解和表示包含大量細節資訊（細小邊緣或紋理）的訊號，如非平穩機械振動訊號、遙感圖象、**訊號和生物醫學訊號等。與之不同的是，小波包變換可以對高頻部分提供更精細的分解，而且這種分解既無冗餘，也無疏漏，所以對包含大量中、高頻資訊的訊號能夠進行更好的時頻區域性化分析，因此常用於訊號特徵的提取。
1.2.2 小波基的選擇
對小波基的選取主要考慮以下幾個因素：（1）正交性，能有效去除訊號的相關性；（2）支撐集，為了得到有限長濾波器，避免濾波過程中的截斷誤差，保證優良的空間區域性性質；（3）對稱性，可使量化誤差較小，保證子波的濾波特性有線性相移，不會造成訊號失真；（4）正則性，用來度量小波函式的光滑性，對最小量化誤差起主要作用，保證頻率解析度的高低。緊支撐性與正則性二者不可兼得，要求小波具有較高的光滑性，必然要求增加小波支集的長度；反之，為了保證小波分析的區域性特性，利於演算法實現，支集的長度要盡量小，但這又保證不了光滑性。參考文獻《基於小波包分析的超聲缺陷訊號特徵提取》（黃河等）。程式設計**可得（**環境matlab2008a）：
圖1 正常情況訊號圖
圖2 正常情況能量譜圖
圖4 表面有乙個氣孔的能量譜圖
圖6 表面有兩個氣孔的能量譜圖
圖8 下方有氣孔的能量譜圖
圖9 表面有裂痕的能量譜圖
重新整理如下：
區域性放大，可得下圖所示：
從結果可以看出，不同性質的缺陷回波訊號經小波包分解後，其能量在各個頻帶上的分布是不同的，且在所選頻帶上的分布差別明顯。因此，可以看作不同型別缺陷的特徵值，作為後續缺陷分類的依據。
python時域訊號特徵提取
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 ...
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，...