特征提取看过来！45种特征提取Matlab算法打包带走（时域、频域、信息熵等）

原创于 2025-02-19 10:03:05 发布 · 1k 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #算法 #开发语言

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

时频域特征提取是信号处理领域中的关键技术，其目的是从非平稳信号中提取具有判别性的特征，以便用于后续的分析、识别和分类。随着科学技术的发展，各种时频域分析方法层出不穷，为解决复杂的信号处理问题提供了强有力的工具。本文旨在对45种常见的时频域特征提取方法进行综述，涵盖时域、频域、小波变换和信息熵等多个方面，并概述其在MATLAB中的实现思路，为相关研究提供参考。

一、时域特征

时域分析直接作用于信号的时间序列，简单直观，计算效率高，适用于提取信号的统计特性。以下列举了部分常用的时域特征：

均值 (Mean Value): 信号的平均水平，反映信号的整体直流分量。
方差 (Variance): 衡量信号围绕均值的波动程度，体现信号的能量分布。
标准差 (Standard Deviation): 方差的平方根，具有与信号相同的量纲，更易于解释。
均方根 (Root Mean Square, RMS): 信号能量的有效度量，对非平稳信号的能量变化敏感。
峰值 (Peak Value): 信号的最大振幅，反映信号的瞬时最大能量。
峰峰值 (Peak-to-Peak Value): 信号最大振幅与最小振幅之差，反映信号的整体振幅范围。
偏度 (Skewness): 描述信号分布的对称性，正偏度表示数据分布偏向左侧，负偏度表示数据分布偏向右侧。
峭度 (Kurtosis): 描述信号分布的峰态，反映信号分布的尖锐程度。
波形因子 (Shape Factor): RMS值与绝对值均值的比值，反映信号的波形形状。
峰值因子 (Crest Factor): 峰值与RMS值的比值，反映信号的冲击强度。
脉冲因子 (Impulse Factor): 峰值与绝对值均值的比值，反映信号的脉冲特性。
裕度因子 (Margin Factor): 峰值与方根振幅的比值，反映信号的整体振动强度。
过零率 (Zero Crossing Rate): 信号穿过零点的次数，反映信号的频率特性，尤其适用于语音信号分析。
短时能量 (Short Time Energy): 信号在短时间内能量的累积，反映信号的强度变化，适用于语音信号的端点检测。
平均幅度差函数 (Average Magnitude Difference Function, AMDF): 描述信号自相关性的函数，可用于估计信号的基频。
自相关函数 (Autocorrelation Function, ACF): 衡量信号自身在不同时间延迟下的相似性，用于提取信号的周期性信息。

MATLAB实现思路: 时域特征的MATLAB实现较为简单，通常使用内置函数即可完成。例如，mean(), var(), std(), rms(), max(), min(), skewness(), kurtosis(), zc(), xcorr() 等。需要注意的是，一些自定义的因子计算需要结合基本的统计参数进行计算。

二、频域特征

频域分析将信号从时域转换到频域，揭示信号的频率成分和能量分布，适用于分析信号的周期性和谐波结构。常用的频域分析方法包括傅里叶变换及其衍生方法。

频谱 (Spectrum): 信号的频率成分分布图，通过傅里叶变换得到，反映信号在不同频率上的能量大小。
功率谱密度 (Power Spectral Density, PSD): 单位频率上的功率分布，用于描述随机信号的频率特性。
频谱质心 (Spectral Centroid): 频谱能量的加权平均频率，反映频谱的整体位置，可用于区分不同类型的信号。
频谱扩展度 (Spectral Spread): 频谱能量围绕频谱质心的扩散程度，反映频谱的带宽。
频谱偏度 (Spectral Skewness): 频谱分布的对称性，反映频谱的形状。
频谱峭度 (Spectral Kurtosis): 频谱分布的峰态，反映频谱的尖锐程度。
频谱平坦度 (Spectral Flatness): 频谱能量的均匀程度，用于区分噪声和纯音信号。
梅尔频率倒谱系数 (Mel-Frequency Cepstral Coefficients, MFCC): 模拟人耳听觉特性的频谱特征，广泛应用于语音识别。
线性预测系数 (Linear Prediction Coefficients, LPC): 通过线性预测模型估计信号的频谱包络，用于语音编码和识别。
谱熵 (Spectral Entropy): 描述频谱的复杂程度，熵值越高表示频谱越复杂。
谐波成分 (Harmonic Components): 信号的谐波频率成分，反映信号的周期性和音调。
能量集中度 (Energy Concentration): 衡量信号能量在特定频率范围内的集中程度。

MATLAB实现思路: 频域特征的提取依赖于傅里叶变换。MATLAB中的 fft() 函数可以实现离散傅里叶变换 (DFT)。 pwelch() 函数可以估计功率谱密度。 mfcc() 函数可以提取MFCC特征 (需安装音频处理工具箱)。谱熵的计算需要结合概率论和信息论的知识。

三、小波变换特征

小波变换是一种多分辨率分析方法，能够在时频域同时对信号进行分解，适用于分析非平稳信号的瞬时变化。

小波系数 (Wavelet Coefficients): 经过小波分解后得到的系数，反映信号在不同尺度下的频率成分。
细节系数 (Detail Coefficients): 反映信号的高频成分，对应于小波分解的高频子带。
近似系数 (Approximation Coefficients): 反映信号的低频成分，对应于小波分解的低频子带。
小波能量 (Wavelet Energy): 小波系数的平方和，反映信号在不同尺度下的能量分布。
小波熵 (Wavelet Entropy): 描述小波系数分布的复杂程度，反映信号的非平稳程度。
小波模极大值 (Wavelet Modulus Maxima): 小波系数的局部极大值点，反映信号的奇异点或突变点。
小波重构信号 (Wavelet Reconstructed Signal): 利用部分小波系数重构的信号，可用于信号去噪或特征提取。
尺度能量比 (Scale Energy Ratio): 不同尺度下小波能量的比值，反映信号频率成分的相对强弱。

MATLAB实现思路: MATLAB提供了完善的小波分析工具箱。 wavedec() 函数可以进行小波分解，wrcoef() 函数可以提取细节系数和近似系数，wenergy() 函数可以计算小波能量，wden() 函数可以进行小波去噪。

四、信息熵特征

信息熵是信息论中的一个重要概念，用于衡量信号的不确定性和复杂程度。

香农熵 (Shannon Entropy): 描述信号分布的混乱程度，熵值越大表示信号越随机。
近似熵 (Approximate Entropy, ApEn): 衡量时间序列的复杂度和不规则性，对参数的选择比较敏感。
样本熵 (Sample Entropy, SampEn): 对近似熵的改进，对参数的选择不敏感，更稳定。
多尺度熵 (Multiscale Entropy, MSE): 在多个时间尺度上计算样本熵，能够更全面地描述信号的复杂性。
模糊熵 (Fuzzy Entropy, FuzzyEn): 采用模糊隶属函数来量化样本之间的相似性，克服了样本熵的一些缺点。
排列熵 (Permutation Entropy, PE): 通过分析时间序列的排列模式来衡量其复杂度，计算简单，对噪声不敏感。
条件熵 (Conditional Entropy): 在已知一个变量的条件下，另一个变量的不确定性，可用于衡量信号的相关性。
互信息 (Mutual Information, MI): 衡量两个变量之间的依赖程度，可用于特征选择和信号同步。
Renyi熵 (Renyi Entropy): 香农熵的推广，可以通过调节参数来改变熵的灵敏度。

MATLAB实现思路: 信息熵特征的MATLAB实现需要编写自定义函数。香农熵可以使用概率分布和 log() 函数计算。近似熵、样本熵、多尺度熵和模糊熵的实现较为复杂，可以参考相关文献中的算法步骤。排列熵的计算需要先对时间序列进行排列模式的分析。 MATLAB的信息论工具箱 (如存在) 可能会提供部分信息熵的计算函数。

结论

本文对45种常见的时频域特征提取方法进行了综述，涵盖了时域、频域、小波变换和信息熵等多个方面。每种方法都有其独特的优势和适用范围。在实际应用中，需要根据信号的特性和具体的分析目标选择合适的特征提取方法，或者将多种方法结合起来，以获得更全面和准确的信号描述。