影音體驗(yàn)是真的強(qiáng) 簡(jiǎn)單聊聊iQOO Pad
大公司的好處就是產(chǎn)品線豐富，非常細(xì)分化的東西也能給你做出來(lái)，例如早先我們看到了新的vivo Pad2，之后我們又在iQOO Neo8 Pro的發(fā)布會(huì)上看到了iQOO的首款平板產(chǎn)品iQOO Pad。雖
在計(jì)算傅里葉變換之前對(duì)信號(hào)去趨勢(shì)是一種常見(jiàn)的做法，特別是在處理時(shí)間序列時(shí)。在這篇文章中，我將從數(shù)學(xué)和視覺(jué)上展示信號(hào)去趨勢(shì)是如何影響傅里葉變換的。
這篇文章的目的是讓介紹理解什么是常數(shù)和線性去趨勢(shì)，為什么我們使用它們，以及它們是如何影響信號(hào)的傅里葉變換的。
我們將使用傅里葉變換的如下定義:對(duì)于輸入序列x[n]，當(dāng)n=0到n時(shí)，傅里葉變換的第k個(gè)系數(shù)為以下復(fù)數(shù)：
序列x[n]可以分解如下：將其寫成兩個(gè)信號(hào)的和:“常數(shù)部分”等于信號(hào)的平均值，“平均值周圍的可變性”部分給出實(shí)際信號(hào)與其平均值之間的差值：
對(duì)于所有樣本n，我們有：
首先，求x均值的傅里葉變換。
這是一個(gè)簡(jiǎn)單的序列,所以在k=0處x的均值為0，在其他地方的值也為0。
使用下面代碼繪制所有指數(shù)也可以看到為什么它們的和總是為0(除了k=0)。
import numpy as np import matplotlib.pyplot as plt N = 10 ns = np.arange(N) fig, axes = plt.subplots(1, N//2+1, figsize=(18,8), sharex=True, sharey=True) for k in range(0, N//2+1): eiks = np.exp(-2*1J*np.pi*ns/N*k) pretty_ax(axes[k]) plot_sum_vector(eiks, axes[k]) axes[k].set_title(f'k={k}') axes[k].set_aspect('equal') fig.suptitle(f'Complex plot of the $e^{{-2i/pi kn/N}}$ families')現(xiàn)在我們把x的傅里葉變換寫成這樣，分為兩部分：
分解x的傅里葉變換，結(jié)果是2個(gè)傅里葉變換的和:“可變性”部分的傅里葉變換，以及k=0時(shí)等于平均值的系數(shù)。
也就是說(shuō)x的傅里葉變換等于其可變性在均值附近的傅里葉變換的和，再加上除k = 0處之外的序列，這個(gè)序列都為0，所以他的均值是x。
這就常數(shù)去趨勢(shì)，是在進(jìn)行傅里葉變換之前去除信號(hào)的均值。對(duì)于傅里葉系數(shù)，就傅里葉系數(shù)而言，它對(duì)應(yīng)于將k = 0系數(shù)設(shè)置為0。
k = 0的系數(shù)始終等于信號(hào)的平均值，可以使用下面方法證明：
方法與前面相同：將輸入信號(hào)寫為2個(gè)部分的和：“線性”部分，以及圍繞該線性部分的其余變化：
這里的線性部分是從最小二乘擬合計(jì)算。利用指數(shù)，可以將線性部分寫為：
其中b是信號(hào)的平均值。讓我們來(lái)看看它的傅里葉變換：
線性部分的傅里葉變換為，給定傅里葉變換的線性性質(zhì):
線性去趨勢(shì)包括在進(jìn)行傅里葉變換之前去除x的線性部分:它從結(jié)果中去除aFT(n)+b項(xiàng)，其中a是常數(shù)因子(對(duì)應(yīng)于線性擬合的斜率)，F(xiàn)T(n)是線性序列[0,1，…]的傅里葉變換，b是信號(hào)的平均值(因此第一個(gè)傅里葉系數(shù)將為0，就像常數(shù)去趨勢(shì)一樣)。
在Python中使用numpy和scipy實(shí)現(xiàn)非常簡(jiǎn)單。
Scipy在它的signal 包中提供了detrend函數(shù)，帶有一個(gè)類型參數(shù)來(lái)指定我們是想讓信號(hào)保持常量趨勢(shì)還是線性趨勢(shì)。
在下面的例子中，創(chuàng)建了一個(gè)長(zhǎng)度為20個(gè)樣本的信號(hào)，其中包含一個(gè)前導(dǎo)系數(shù)為2的線性部分，一個(gè)噪聲，一個(gè)偏移量為4的正弦部分。
import numpy as np from scipy.signal import detrend import matplotlib.pyplot as plt N = 20 # create a sample signal, with linear, offset, noise and sinus parts ys = np.arange(N) * 2 + 4 + np.random.randn(N) + 4*np.sin(2*np.pi*np.arange(N)/5) # constant and linear detrend ys_c = detrend(ys, type='constant') ys_l = detrend(ys, type='linear') fig, axes = plt.subplots(1, 2) ax = axes[0] ax.plot(ys, label='raw') ax.plot(ys_c, label='constant-detrended') ax.plot(ys_l, label='linear-detrended') ax.legend() ax.set_title('Input signal') ax = axes[1] # we use rfft since our input signals are real ax.plot(np.abs(np.fft.rfft(ys))) ax.plot(np.abs(np.fft.rfft(ys_c))) ax.plot(np.abs(np.fft.rfft(ys_l))) ax.set_title('Module of Fourier-transform')在左邊我們有原始輸入信號(hào)，以及它的常數(shù)去趨勢(shì)和線性去趨勢(shì)版本。
常數(shù)去趨勢(shì)有效地去除信號(hào)的平均值，使其在0附近居中。線性去趨勢(shì)不僅去掉了信號(hào)的平均值，而且還去掉了它的線性趨勢(shì)(又名“直線斜率”)。從視覺(jué)上看，在線性去趨勢(shì)信號(hào)上比在原始信號(hào)上更容易發(fā)現(xiàn)正弦部分。
右邊是每個(gè)信號(hào)的傅里葉變換模塊:如果不去除趨勢(shì)，我們得到藍(lán)色模塊。使用常數(shù)去趨勢(shì)法去除平均值可以有效地將0系數(shù)設(shè)置為0，這在大多數(shù)情況下使得圖表更容易分析。自線性去趨勢(shì)的結(jié)果是最好的:輸出傅里葉系數(shù)很好地顯示了輸出頻譜中的頻率，線性去趨勢(shì)的主要優(yōu)點(diǎn)是它大大減少了頻譜泄漏。
對(duì)于不同的K值，我們可以很容易地畫出線性信號(hào)Kn (K為斜率)的傅里葉變換：
import numpy as np import matplotlib.pyplot as plt N = 10 ns = np.arange(N) Ks = [-5, 2, 5] fig, axes = plt.subplots(len(Ks), N//2+1, figsize=(18,8), sharex=True, sharey=True, gridspec_kw={'hspace':0, 'wspace':0}) for i, K in enumerate(Ks): xs = K*np.arange(N) for k in range(0, N//2+1): Zs = xs * np.exp(-2*1J*np.pi*ns/N*k) / N ax = axes[i, k] pretty_ax(ax) plot_sum_vector(Zs, ax) ax.set_aspect('equal') ax.set_xlabel(f'k={k}') axes[i, 0].set_ylabel(f'K={K}') fig.tight_layout()對(duì)于給定的k值，用紅色箭頭表示的傅里葉系數(shù)總是對(duì)齊的，并且等于一個(gè)比例。所以輸出頻譜中被去掉的部分總是序列[0,1，…N]的傅里葉變換的部分，其比例因子由線性擬合的斜率給出。
在這篇文章中，我們介紹了常量和線性去趨勢(shì):它們分別由去除輸入信號(hào)的平均值或線性擬合組成。在計(jì)算傅里葉變換之前的預(yù)處理步驟有助于使輸出譜更容易解釋。
去除信號(hào)的平均值使第0個(gè)系數(shù)為0。結(jié)果圖更容易檢查，因?yàn)榇蠖鄶?shù)情況下，平均值與頻譜的其余部分相比可能相當(dāng)大。如果我們?nèi)サ暨@個(gè)系數(shù)，y軸的尺度就更容易設(shè)定。
線性去趨勢(shì)除了去掉平均值也去掉了信號(hào)中的總體趨勢(shì)，這通常是原始信號(hào)的主導(dǎo)部分，這樣可以去掉其他成分例如季節(jié)行為等，所以如果需要對(duì)季節(jié)性進(jìn)行分析還需要另外的處理。
本文鏈接：http://www.www897cc.com/showinfo-26-5701-0.html時(shí)間序列去趨勢(shì)化和傅里葉變換
聲明：本網(wǎng)頁(yè)內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問(wèn)題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
上一篇： SpringBoot獲取Request的三種方法！
下一篇： 前端如何安全的渲染HTML字符串?
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請(qǐng)聯(lián)系：2376512515@qq.com 津ICP備18001702號(hào)
津公網(wǎng)安備 12010102000574號(hào)