一维信号如何转化为图像？深度学习如何学习
1.当然，直接1d卷积也是可以的。
2. 以信号强度的数值作为纵坐标，以时间为横坐标绘制信号点就可以了。
- 直接把多通道的一维信号合并成二维图像，然后直接按图像卷积的方法去做~~
222*5000这样一个图
~可以看看语音处理的相关Net，其中比较推荐的是用 dilated conv 来做 - 按语音识别的套路，先搞时频图。我觉得一维信号预处理有点麻烦，假如待识别信号的范围差距很大，那就蛮难处理。不像图像，灰度图像自身就是0-255的像素点大小范围；而类似振动信号，小的可能很小，大的振动可能也很大，归一化也不好处理。如果用激励层做映射，像tanh和sigmoid 基本都会崩掉，我感觉挺麻烦的，尤其在一维信号无界或者范围过大的情况。所以将其转变为时域频域分析，频域在0.5-35hz
5.或者直接上rnn也行。直接当做是时序数据进行处理
把shape处理好，就不会有计算流程的问题。
https://www.zhihu.com/question/276804048
2， 傅里叶变换
从物理意义上说：这三种变换的本质是将信号从时域转换为频域。傅里叶变换的出现颠覆了人类对世界的认知：世界不仅可以看作时间的变化，也可以看做各种频率不同加权的组合。举个不太恰当的例子：一首钢琴曲的声音波形是时域表达，而它的钢琴谱则是频域表达。
另外，在通信领域，没有信号的频域分析，将很难在时域理解一个信号。因为通信领域中经常需要用频率划分信道，所以一个信号的频域特性要比时域特性重要。
从计算量上面说：三种变换因为可以将微分方程或者差分方程转化为多项式方程，所以大大降低了微分（差分）方程的计算成本。
傅里叶分析包含傅里叶级数与傅里叶变换。傅里叶级数用于对周期信号转换，傅里叶变换用于对非周期信号转换。傅里叶变换要求满足狄利克雷条件和在（﹣∞，+∞）上绝对可积，但绝对可积是一个相当强的条件，很多常见的函数如正弦函数、单位阶跃函数和线性函数都不
5575
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
