第1章
信号与系统基础回顾
连续信号与离散信号 · 傅里叶变换与频谱分析 · 采样定理与混叠效应
傅里叶采样频谱
第2章
Python信号处理工具链
NumPy基础与数组操作 · SciPy信号模块(signal)入门 · Matplotlib可视化基础
NumPySciPyMatplotlib
第3章
经典信号生成方法
正弦波与余弦波生成 · 方波与三角波生成 · 高斯白噪声与有色噪声生成
波形噪声生成
第4章
信号预处理技术
去均值与归一化 · 滑动平均滤波 · 中值滤波与去噪
滤波去噪归一化
第5章
特征工程基础
时域特征(均值、方差、峰值) · 频域特征(频谱能量、主频) · 时频域特征(短时傅里叶变换)
时域频域STFT
第6章
机器学习入门
监督学习与无监督学习概念 · 训练集/验证集/测试集划分 · 过拟合与欠拟合
监督划分泛化
第7章
Scikit-learn快速上手
数据集加载与预处理 · 模型训练与预测流程 · 评估指标(准确率、F1-score)
sklearn评估F1
第8章
信号分类任务
基于KNN的信号分类 · 基于SVM的信号分类 · 基于决策树的信号分类
KNNSVM决策树
第9章
信号回归任务
线性回归预测信号趋势 · 多项式回归拟合信号 · 支持向量回归(SVR)
回归SVR多项式
第10章
聚类分析在信号中的应用
K-Means聚类信号片段 · DBSCAN异常信号检测 · 层次聚类可视化
K-MeansDBSCAN层次
第11章
深度学习基础
感知机与多层感知机(MLP) · 激活函数(ReLU, Sigmoid, Tanh) · 损失函数与梯度下降
MLP激活梯度
第12章
PyTorch快速入门
张量(Tensor)操作 · 自动求导机制 · 构建简单神经网络
PyTorch张量自动求导
第13章
卷积神经网络(CNN)基础
卷积层原理 · 池化层作用 · 经典CNN架构(LeNet, AlexNet)
卷积池化LeNet
第14章
一维CNN信号处理
1D卷积设计 · 时间序列特征提取 · 信号分类实战
1D-CNN时序分类
第15章
循环神经网络(RNN)基础
RNN单元结构 · 长短期记忆网络(LSTM) · 门控循环单元(GRU)
RNNLSTMGRU
第16章
LSTM信号预测
时间序列预测框架 · 多步预测策略 · 股票/传感器数据预测案例
LSTM预测多步
第17章
自编码器(Autoencoder)
降噪自编码器 · 信号压缩与重构 · 异常检测应用
自编码降噪异常
第18章
生成对抗网络(GAN)基础
生成器与判别器 · 训练稳定性问题 · DCGAN架构
GAN生成器DCGAN
第19章
信号生成实战
使用GAN生成合成信号 · 条件GAN(CGAN)控制信号类型 · 评估生成信号质量
CGAN合成评估
第20章
变分自编码器(VAE)
概率编码器原理 · 重参数化技巧 · 信号生成与插值
VAE重参数插值
第21章
迁移学习在信号中的应用
预训练模型微调 · 域适应(Domain Adaptation) · 跨数据集信号分类
微调域适应迁移
第22章
注意力机制与Transformer
自注意力(Self-Attention)原理 · Transformer编码器 · 时间序列Transformer
注意力Transformer时序
第23章
图神经网络(GNN)与信号
图信号表示 · 图卷积网络(GCN) · 传感器网络信号分析
GNNGCN传感器
第24章
强化学习与信号生成
策略梯度方法 · Q-learning · 基于RL的信号优化生成
强化学习策略Q-learning
第25章
信号增强与数据扩增
时间扭曲 · 噪声注入 · 频谱增强 · Mixup策略
扩增Mixup频谱
第26章
模型解释性
SHAP值分析 · LIME局部解释 · 特征重要性可视化
SHAPLIME可解释
第27章
模型部署基础
ONNX模型导出 · TensorRT加速 · Flask API服务搭建
ONNXTensorRTFlask
第28章
边缘端部署
模型量化(INT8/FP16) · TensorFlow Lite移植 · 树莓派实时推理
量化TFLite树莓派
第29章
综合项目一：ECG心电信号分类
基于深度学习的ECG心电信号分类系统
ECG心电项目
第30章
综合项目二：雷达信号生成与增强
基于GAN的雷达信号生成与数据增强系统
雷达GAN增强