La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Mesures et extraction de caractéristiques
Signal Processing Toolbox™ propose des fonctions permettant de mesurer les caractéristiques distinctives courantes d’un signal. Identifiez les crêtes d’un signal et déterminer leur hauteur, leur largeur et la distance qui les sépare. Mesurez des caractéristiques dans le domaine temporel, comme l’amplitude crête à crête et les enveloppes des signaux. Mesurez des métriques d’impulsion comme le dépassement et le rapport cyclique.
Dans le domaine fréquentiel, mesurez les fréquences fondamentales, moyennes, médianes et harmoniques, la bande passante du canal et la puissance dans une bande de fréquence. Caractérisez des systèmes en mesurant la plage dynamique sans parasites (SFDR), le rapport signal à bruit (SNR), la distorsion harmonique totale (THD), le rapport signal à bruit et distorsion (SINAD) et l’interception de troisième ordre (TOI).
Extrayez les caractéristiques du signal pour mettre en avant les plus significatives et réduire la variabilité et la dimensionnalité des données lors de l’apprentissage de modèles d’IA.
Catégories
- Statistiques descriptives
Crêtes, niveau RMS, amplitude crête à crête, facteur de crête, déformation temporelle dynamique, graphique de contrôle cumulatif (CUSUM), distance d’édition
- Métriques d’impulsion et de transition
Temps de montée, temps de descente, vitesse de balayage, dépassement, sous-dépassement, temps de stabilisation, largeur d’impulsion, rapport cyclique
- Mesures spectrales
Puissance du canal, bande passante, fréquence moyenne, fréquence médiane, distorsion harmonique
Informations connexes
Sélection d՚exemples
Classify ECG Signals Using Long Short-Term Memory Networks
Classify heartbeat electrocardiogram data using deep learning and signal processing.
Human Activity Recognition Using Signal Feature Extraction and Machine Learning
Extract features from smartphone sensor signals and use them to classify human activity.
Waveform Segmentation Using Deep Learning
Segment human electrocardiogram signals using time-frequency analysis and deep learning.
Distortion Measurements
Generate 2048 samples of a sinusoid of frequency 2.5 kHz sampled at 50 kHz. Add white Gaussian noise such that the signal-to-noise ratio (SNR) is 80 dB.
Determine Peak Widths
Create a signal that consists of a sum of bell curves. Specify the location, height, and width of each curve.
