Python环境下信号处理的若干例子(第一篇)
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==0.2.1
matplotlib==3.5.2
numpy==1.22.0
scipy==1.7.3
torch==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