机器学习与信号处理技术
随机信号分析是与（随机）信号的处理，修改和分析有关的科学领域。
具有物理学或工程学背景的任何人都一定程度地了解信号分析技术，这些技术是什么以及如何将其用于分析，建模和分类信号。
来自不同领域（例如计算机科学或统计学）的数据科学家可能不会意识到这些技术带来的分析能力。
在此博客文章中，我们将探讨如何与常规的机器学习分类器结合使用随机信号分析技术，以对时间序列和信号进行准确的分类和建模。
在博客文章的结尾，您应该能够理解各种信号处理技术，这些技术可用于从信号中检索特征，并能够对ECG信号进行分类（甚至通过其ECG信号来识别人），预测脑电图的癫痫发作信号，对雷达信号中的目标进行分类和识别，使用FFT等从EMG信号中识别出患有神经病或肌病等的患者等
在此博客文章中，我们将讨论以下主题：
信号基础
通过FFT，PSD和自相关在时域和频域之间进行转换。
统计参数估计和特征提取
示例数据集：人类活动的分类
从训练和测试集中的所有信号中提取特征
使用（传统）Scikit学习分类器进行分类
决赛词
1.信号基础
1.1信号与时间序列
您可能经常遇到描述数据集的时间序列和信号一词，可能不清楚它们之间的确切区别是什么。
在时间序列数据集中，要预测的值（?）是时间（y = y（t））的函数。这样的功能可以描述任何东西，从随着时间的推移的比特币或特定股票的价值，到随着时间推移的鱼类种群。信号是这种信号的更一般的版本，其中因变量不必是时间的函数。它可以是空间坐标（），距源的距离（）等的函数。 ? y = y（x，y） y = y（r）
信号可以有许多不同的形式和形状：您可以想到音频信号，图片，视频信号，地球物理信号（地震数据），声纳和雷达数据以及医疗信号（EEG，ECG，EMG）。
图片可以看作是一个信号，其中包含有关两个空间维度上的三种颜色（RGB）的亮度的信息。
声纳信号提供有关声压场的信息，该声压场是时间和三个空间维度的函数。
雷达信号对电磁波的作用相同。
从本质上讲，几乎任何东西都可以解释为信号，只要它在自身内部携带信息即可。
题库