Python环境下信号处理的若干例子（第一篇）

https://m.toutiao.com/is/SSjmbc3/ 

基于python的小波分解信号降噪方法

算法程序使用小波多分辨分析对信号进行降噪，降噪算法流程大致如下：

（1）去趋势项（如直流电流），并将数据归一化到区[0, 1]；

（2）进行多级小波分解；

（3）使用步骤 （2）中的细节系数 cD 确定合适的阈值，给出5种不同的方法确定阈值；

（4）将简单的软阈值或硬阈值方法应用于细节系数；

（5）重建信号。

阈值确定方法，更多的细节请查看相关论文，很多

1. universal

在这种情况下，阈值由公式 MAD x sqrt{2 x log(m)} 给出，其中 MAD 是中值绝对偏差，m 是信号的长度。

2. sqtwolog

和universal一样，只是不使用MAD。

3. energy

在这种情况下，阈值算法估计细节系数的能量，并使用它们来估计最佳阈值。

4. stein

此方法实现了 Stein 的无偏风险估计。

5. heurstein

这是 Stein 的无偏风险估计的启发式实现。

Python环境下基于最小最大凹面全变分一维信号降噪方法

算法程序执行基于最小最大凹面全变分一维信号降噪，附带参考文献，运行环境为Python环境。

Python环境下轴承振动信号（一维信号）的包络谱分析

算法程序运行环境为Python，执行一维信号的包络谱分析，以轴承振动信号为例。

Python环境下基于小波散射变换的信号处理及信号重建

算法程序基于Python环境，对一维信号进行小波散射变换及相应的重建

所需模块

kymatio==0.2.1matplotlib==3.5.2numpy==1.22.0scipy==1.7.3torch==1.11.0

Simple time series analysis based on wavelet scattering

0阶小波散射变换plot order 0 (which is the mean of the signal)

1阶小波散射变换plot order 1

STFT时频谱specgram

2阶小波散射变换plot order 2

Chirp信号

1阶小波散射变换plot order 1

2阶小波散射变换plot order 2

小波散射变换重建

Python环境下的信号处理（包络谱，低通、高通、带通滤波，初级特征提取，机器学习，短时傅里叶变换）及轴承故障诊断探索

算法程序运行环境为jupyter notebook，内容包括包络谱，低通、高通、带通滤波，初级特征提取，机器学习，短时傅里叶变换，瀑布图等

Python小波变换、分解和一些应用(心电信号识别和人类活动识别)

算法程序运行环境为Python，执行小波分解、连续小波变换等，并给出两个应用：基于小波和机器学习的心电信号识别和人类活动识别

基于Python的时频分析：Stockwell变换(原始S_transform和快速离散标准正交S_transform)

算法程序在Python环境下执行Stockwell变换(原始Stransform 和快速离散标准正交Stransform)

面包多代码

https://mbd.pub/o/GeBENHAGEN