Дорожная карта от данных датчика до профилактического обслуживания

Question

Я новичок в этих темах.Я исследую много статей по этому вопросу.Есть много разных техник.Но я в замешательстве, потому что я не знаю, с чего начать.

Согласно моим исследованиям, первая важная вещь;Я должен сделать предварительную обработку для необработанных данных датчика.Есть несколько методов, FFT является одним из них.(Но как я могу искать, чтобы изучить все методы? Я не видел все методы на одной странице.)

Затем я запускаю статистические вычисления для обработки.

Я не рисовал дорожную карту.Можете ли вы помочь этим вопросом или предложить книги или что-нибудь?

Answer 1

Первым шагом будет очистка данных и извлечение функций.Вам необходимо подготовить данные в формате, который применим к алгоритмам машинного обучения.Я рекомендую вам мою статью "Ввод общих данных и извлечение функций для сигналов с многофункциональных принтеров" .Речь идет о подготовке данных из сигналов IoT для дальнейшего применения алгоритмов ML.

Answer 2

Добро пожаловать на SO ... чтобы использовать этот сайт, наведите указатель мыши на тег fft на свой вопрос ... затем нажмите View tag ..., затем нажмите learn more ... и после прочтения информациина странице fft нажмите Votes, чтобы увидеть самые популярные посты здесь, на SO ... эти вопросы / ответы приведут вас в стадо

Я настоятельно рекомендую вам освоить детали, объясненные здесь Discrete FourierПреобразование - простой шаг за шагом

Интерактивное руководство по преобразованию Фурье
https://betterexplained.com/articles/an-interactive-guide-to-the-fourier-transform/

Интуитивное понимание преобразования Фурье и БПФ
https://www.youtube.com/watch?v=FjmwwDHT98c

Интуитивное учебное пособие по дискретному преобразованию Фурье
http://practicalcryptography.com/miscellaneous/machine-learning/intuitive-guide-discrete-fourier-transform/

Как получить частоту из результата fft?

Я мог бы упомянуть самородки из своегооднако, я оставлю вас с этим отрывком из превосходной книги

http://www.dspguide.com/ch10/6.htm

The Discrete Time Fourier Transform (DTFT) is the member of the Fourier transform family that operates on aperiodic,
discrete signals. The best way to understand the DTFT is how it relates to the DFT. To start, imagine that you
acquire an N sample signal, and want to find its frequency spectrum. By using the DFT, the signal can be
decomposed into sine and cosine waves, with frequencies equally spaced between zero and one-half of the
sampling rate. As discussed in the last chapter, padding the time domain signal with zeros makes the period
of the time domain longer, as well as making the spacing between samples in the frequency domain narrower.
As N approaches infinity, the time domain becomes aperiodic, and the frequency domain becomes a continuous signal.
This is the DTFT, the Fourier transform that relates an aperiodic, discrete signal, with a periodic,
continuous frequency spectrum