分数阶傅里叶变换与信息熵怎么用于信号处理?

天马行空的理解与思考方式:分数阶傅里叶变换与信息熵怎么用于信号处理?

ChiX-Y

ChiX-Y

快速学习,快速尝试,快速失败

已关注

35 人赞同了该文章

这篇文章希望能写的有趣,同时有质量,学习就是要多维度多角度!

信息熵怎么用于各类信号处理?(信号特征提取?信号识别与分类?)

一.什么是信息熵?

热力学中的热熵是表示分子状态混乱程度的物理量,而信息熵的概念是用来描述信源的不确定度的;信息论之父香农曾在论文中提出“任何信息都存在冗余,冗余大小与信息中每个符号(数字、字母或单词)的出现概率或者说不确定性有关。”香农借助热力学概念,把信息中排除了冗余后的平均信息量称为“信息熵”。

通常,一个信源发送出什么符号是不确定的,衡量它可以根据其出现的概率来度量。出现的概率大,则不确定性小,所提供的信息量就少;反之不确定性就大。

根据以上定义和描述,可以得到不确定性函数应具有的两个条件:

①不确定性函数 f 是概率 p 的减函数;②两个独立符号所产生的不确定性应等于各自不确定性之和,即 f(p1,p2)=f(p1)+f(p2) ,这是不确定性函数的可加性。

同时满足以上两个条件的函数 f 是对数函数,即 f(p)=log1p=−log(p)

在信源中,考虑的不是某一单个符号发生的不确定性,而是要考虑这个信源所有可能发生情况的平均不确定性。若某个信源可以出现n种符号来传递信息: U1...Ui...Un ,对应的概率为: p1...pi...pn ,且各种符号的出现彼此独立。这时,信源的平均不确定性应当为单个符号不确定性 −log(pi) 的统计平均值(E),称为信息熵,即 H(U)=E[−log(pi)]=−∑i=1npilog(pi)

上式中的对数一般取2为底,单位为比特。

离散的信源信息熵具有:①非负性 ②对称性 ③确定性 ④极值性

二.分数阶傅里叶变换

为了能让信息熵更好的在信号处理中派上用场,需要先学习一种更高级的信号处理数学工具

分数阶傅里叶变换


这里真的很想吐槽一下,网上关于分数阶傅里叶变换的学习资料真的是蛮少的,很多“大佬”对于这个数学方法的描述就是列出来一大堆复杂而又难懂的数学公式,看懂了数学公式,理清了推导过程也只是“知其然,而不知其所以然”,所以承担着掉几根头发的代价...我想到了一种以图像来理解分数阶傅里叶变换本质思想的方法,这将有助于后续的信号处理应用。当然,如果有数学系大佬指出其中理解不妥的地方,那真的非常感激!


我们不着急从这个复杂的数学方法入手,作为一个基本的工科生,我们一定是学过傅里叶变换的,如果你在平日的学习中习惯于思考,那么你一定会记得傅里叶变换就是在“帮助我们换个角度看世界”。

“世界变化无常,可换个角度,或许只是已经写好的乐章。”

傅爷爷告诉我们,任何周期函数(非周期函数需要无数个),都可以由许多不同振幅,不同相位的正弦波叠加而来。我们看一下下面这一张来自维基百科的图。

最前面那条黑色的函数曲线(矩形波),可以由后面多条正弦曲线叠加而成,这些依不同颜色排列而成的正弦曲线就是组合成为矩形波的各个频率分量。细心的你可能发现中间有一些直线,这些直线是振幅为0的正弦曲线,这就说明为了组成不同的曲线,有些频率成分是不需要的!

OK,既然我们已经回忆了一般的傅里叶变换做了什么事情,那我们接下来就可以想一下,一条时间维度上的信号曲线到底换了怎么样的角度而到了我们想要频域空间呢??必须要天马行空的想想,这对于帮助我们理解分数阶傅里叶变换有着至关重要的作用!

我们看下面这张图:

一开始,我(ChiX-Y)站在垂直时间轴而平行于频率轴的方向,这个时候我看到的就是那一条红色的曲线(它由后面许多不同频率成分的正弦波叠加而成),从这个角度看到的红色曲线其实就是时间域上的信号曲线了,ok,那么我要换什么角度才能够看到频域世界里这条曲线的模样呢?我想你们一定已经想到了,对,就是逆时针旋转90°以后,从侧面方向来看这一天红色曲线!!!(如下图)

我走到上图中的这个角度以后,我看到各个频率成分的正弦曲线就是一条条平行于Z轴的竖线,而此时的横轴是频率轴,怎么样?熟悉吗?这不就是我们一直以来求的频谱吗!!!

所以我们完全可以这么去解释傅里叶变换:信号的Fourier变换可以看成将其在时间轴上逆时针旋转 π/2到频率轴上的!换句好理解的话来讲,信号的Fourier变换就是从时间轴角度转了90°到频率轴上来看到的新世界!

OK,既然我想到了以这么一种立体而又形象的角度去看待傅里叶变换,那么接下来的分数阶傅里叶变换就容易解释了!

所谓的分数阶傅里叶变换就是换更多的角度去看待问题,怎么解释?

就是我在从初始位置走向90°方位的时候,并不是一次性的就走过去了,而是每走一定的角度就停下来看一看我们在当前角度下能够看到红色信号曲线的什么特征与特性,并记录每个角度下“频率域”的频谱,这么做是因为大部分的信号都是非平稳信号,仅仅用傅里叶变换不足以分析其显著的特征,运用分数阶傅里叶变换主要是能选取信息最集中的角度去分析。

大家想想,分析问题的角度越多,是不是解决问题的方法就越完善呢?

到这里我希望大家是能够理解了我分析这个数学方法的角度,也希望各位能够从复杂的数学公式中跳脱出来,真正理解了分数阶傅里叶变换到底做了什么事情,做到了这一点,让我想到了利用信息熵来做信号处理的一种思路!

三.信息熵+分数阶傅里叶变换->信号处理

如果理解了前文我所写的全部内容,那么接下来这个信号处理的思路就真的很简单了,算是自己的一些想法吧,我拿心电信号来举例子:

(1)采集一段心电信号并做预处理,获得信号d

(2)对信号d进行n个阶次(n个角度,大家懂的!)的分数阶傅里叶变换,从而进一步得到每一个阶次变换的幅度谱 Fi

(3)对幅度谱 Fi归一化后,计算每一个幅度谱的信息熵,n个阶次对应n个信息熵,从而得到一个n点长的向量[E1,...,Ei,...,En],这个向量就可以作为心电信号所提取的特征,然后进一步用于算法的学习与信号分类。

这样的思路我认为有两个优势:第一是从更多的角度去提取信号的特征,使得信号特征更为丰富与全面,能够提升对信号分类与识别准确率;第二是利用信息熵有效缓解了角度过而导致的特征过于复杂的问题,因为一个角度的信息熵只有一个值哦!

四.有趣的感悟

我们眼中的世界就像是一条条时域中的曲线,变换多端,毫无规律,难以预测......但或许真的存在一种角度,能够看到其实我们的世界真的没有那么复杂,它只是一场已经安排好的音乐会,每一个音符都已经注定会出现,就像是频谱中一条条平行于Z轴的直线,简单清晰。

编辑于 2021-08-13 12:25

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/478.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

QT——TCP网络调试助手

目录 一.项目展示 ​编辑 二.开发流程 三.QTcpServer、QTcpSocket、QUdpSocket类的学习 1.QTcpServer服务端 2.QTcpSocket客户端 3.Udp通信 四.网络调试助手 1.首先我们实现当用户选择不同协议类型时不同的UI组件如何切换 2.实现打开/关闭按键图片的切换 方式一&…

怎么压缩pdf文件大小?关于压缩PDF文件大小的几种压缩方法

怎么压缩pdf文件大小?压缩PDF文件能够显著减小文件体积,从而节省硬盘和云存储空间,这对于管理大量文档尤其重要。较小的文件大小使得通过电子邮件或在线平台发送变得更加迅速,缩短了传输时间。同时,压缩后的文件更方便…

使用Scrapy框架爬取博客信息

随着网络的发展,越来越多有价值的信息存储在网络上。使用爬虫技术可以从这些信息源中提取出有用的数据。本文将介绍如何使用Python中的Scrapy框架来爬取博客站点上的文章标题、作者以及阅读数,并将其保存到JSON文件中。 一、项目背景 Scrapy是一个快速…

网络编程 UDP编程 Linux环境 C语言实现

UDP编程 1. 一般UDP编程 UDP传输特点:非面向连接、不可靠的、无序的 报式传输 支持组播和广播 UDP应用数据最大长度建议:MTU(以太网分组数据的最大长度)1500 - 20(IP头) - 8(UDP头) 1472Bytes 客户端:支持两种形式的代码编写: 1. 不定向…

使用linux+nginx 作为unity webgl的服务器

使用linuxnginx 作为unity webgl的服务器 建议使用命令行下载,使用源码编译可能编译不过。 自己创建一个uinty webgl项目,或者下载我上传的unity webgl项目 https://download.csdn.net/download/GoodCooking/24339451下载nginx 使用图形界面 下载ngi…

Flink CDC 同步 Mysql 数据

文章目录 一、Flink CDC、Flink、CDC各有啥关系1.1 概述1.2 和 jdbc Connectors 对比 二、使用2.1 Mysql 打开 bin-log 功能2.2 在 Mysql 中建库建表准备2.3 遇到的坑2.4 测试 三、番外 一、Flink CDC、Flink、CDC各有啥关系 Flink:流式计算框架,不包含 …

【模型学习之路】手写+分析bert

手写分析bert 目录 前言 架构 embeddings Bertmodel 预训练任务 MLM NSP Bert 后话 netron可视化 code2flow可视化 fine tuning 前言 Attention is all you need! 读本文前,建议至少看懂【模型学习之路】手写分析Transformer-CSDN博客。 毕竟Bert是tr…

C#实现隐藏和显示任务栏

实现步骤 为了能够控制Windows任务栏,我们需要利用Windows API提供的功能。具体来说,我们会使用到user32.dll中的两个函数:FindWindow和ShowWindow。这两个函数可以帮助我们找到任务栏窗口,并对其执行显示或隐藏的操作 引入命名空…

Excel菜单选项无法点击?两种原因及解决方法全解析

在使用Excel处理数据时,有时会遇到菜单选项无法点击的情况。这种问题会影响到正常的操作和编辑。出现这种情况的原因可能有多种,本文将介绍两种常见的原因,并提供相应的解决方法,帮助小伙伴们快速恢复菜单选项的正常使用。 原因一…

SpringBoot节奏:Web音乐网站构建手册

2相关技术 2.1 MYSQL数据库 MySQL是一个真正的多用户、多线程SQL数据库服务器。 是基于SQL的客户/服务器模式的关系数据库管理系统,它的有点有有功能强大、使用简单、管理方便、安全可靠性高、运行速度快、多线程、跨平台性、完全网络化、稳定性等,非常…

波尼音乐 2.3.0-b1 | 开源免费的音乐播放器,附两个公共接口

波尼音乐最初作为一个毕设项目,凭借其实现了本地与网络音乐播放的能力而受到许多用户的喜爱。随着百度在线音乐API的关闭,波尼音乐逐渐失去在线音乐播放功能。在开源社区的支持下,开发者发现新的网易云音乐API,重启项目并进行全面…

ComfyUI - ComfyUI 工作流中集成 SAM2 + GroundingDINO 处理图像与视频 教程

欢迎关注我的CSDN:https://spike.blog.csdn.net/ 本文地址:https://spike.blog.csdn.net/article/details/143359538 免责声明:本文来源于个人知识与公开资料,仅用于学术交流,欢迎讨论,不支持转载。 SAM2 与…

C++原创游戏宝强越狱第二季即将回归

抱歉,3个月以来我不是没时间更,而是懒得更。。。 这不宝强越狱第一季完结了么,所以我决定两个月内弄完宝强越狱第二季,第一个版本将在2025年1月1日发布。不过,我还做了个预告片BQYY预告片-CSDN直播(33s的垃…

mysql查表相关练习

作业要求: 单表练习: 1 . 查询出部门编号为 D2019060011 的所有员工 2 . 所有财务总监的姓名、编号和部门编号。 3 . 找出奖金高于工资的员工。 4 . 找出奖金高于工资 40% 的员工。 5 找出部门编号为 D2019090011 中所有财务总监,和…

【笔试题】迈入offer的新大门

1. 笔试题1 1.1 题目链接:[NOIP2010]数字统计_牛客题霸_牛客网 1.2 题目描述 补充: 1.3 解法 1.3.1 算法思路 定义变量,L,R,count用于记数。 对规定符合区域范围内的数据进行遍历,对每个数据的每一位进行判断是否为2&#xf…

Gitee push 文件

1、背景 想将自己的plecs仿真放到git中管理,以防丢失,以防乱改之后丢失之前版本仿真。此操作说明默认用户已下载git。 2、操作步骤 2.1 开启Git Bash 在文件夹中右键,开启Git Bash。 2.2 克隆文件 在Git Bash中打git clone git地址&#…

【AIGC】2024-arXiv-Lumiere:视频生成的时空扩散模型

2024-arXiv-Lumiere: A Space-Time Diffusion Model for Video Generation Lumiere:视频生成的时空扩散模型摘要1. 引言2. 相关工作3. Lumiere3.1 时空 U-Net (STUnet)3.2 空间超分辨率的多重扩散 4. 应用4.1 风格化生成4.2 条件生成 5. 评估和比较5.1 定性评估5.2 …

MySQL高可用MHA

目录 一、MHA概述 1.MHA是什么 2.MHA的组成 3.MHA特点 4.MHA工作原理 二、MySQL部署MHA 1.配置主从复制 2.配置MHA高可用 2.1所有服务器安装MHA依赖环境 2.2所有服务器上安装node组件 2.3在MHA manager节点上安装manager组件 2.4在所有服务器上配置无密码认证 …

聚类算法综述

摘要 聚类算法旨在根据数据中的固有模式和相似性将数据组织成组或簇。它们在当今生活中扮演着重要角色,例如在市场营销和电子商务、医疗保健、数据组织和分析以及社交媒体中。现有众多聚类算法,并且不断有新的算法被引入。每个算法都有其自身的优点和缺…

【网络监控加速设备】国产化一站式高性能数据处理平台(海光CPU+复旦微FPGA)

随着网络流量的飞速增长,数据的监控与管理需求日益加剧。针对这一痛点,一款集协议检测、数据监测、报文转发和结果展示于一体的网络监控加速设备,设备百分之百国产化也体现了完全自主可控。设备不仅具备丰富的网络监控功能,还支持…