传感器数据预处理与噪声抑制
📘 30章 · 从基础到实战
01
传感器数据基础
传感器类型
采样定理
混叠效应
02
噪声源分析
热噪声
闪烁噪声
量化噪声
环境干扰
03
信号与噪声模型
加性/乘性模型
SNR计算
04
时域预处理
去趋势
归一化
平滑
05
频域基础
傅里叶变换
频谱分析
功率谱密度
06
低通滤波
移动平均
高斯滤波
巴特沃斯
07
高通滤波
直流分量
带通设计
08
中值滤波
自适应中值
椒盐噪声
09
卡尔曼滤波
状态空间
预测更新
一维实现
10
小波去噪
小波变换
阈值去噪
软/硬阈值
11
经验模态分解(EMD)
EMD原理
IMF
Hilbert-Huang
12
奇异值分解(SVD)去噪
SVD原理
阈值选择
信号重构
13
主成分分析(PCA)降噪
PCA原理
特征值分解
降维去噪
14
独立成分分析(ICA)
ICA原理
盲源分离
噪声分离
15
自适应滤波
LMS
RLS
噪声抵消
16
维纳滤波
维纳-霍夫
最优滤波
频域实现
17
粒子滤波
序贯采样
重采样
非线性非高斯
18
异常值检测
3σ
IQR
Z-score
MAD
19
缺失值处理
删除法
均值填充
插值
KNN
20
时间序列对齐
重采样
时间戳对齐
插值对齐
21
传感器融合基础
多传感器
加权平均
贝叶斯融合
22
互补滤波
陀螺仪/加速度计
姿态估计
23
滑动窗口技术
窗口大小
重叠窗口
实时处理
24
特征提取
时域特征
频域特征
频谱质心
25
数据压缩
有损/无损
增量编码
游程编码
26
实时处理架构
流水线
缓冲区
多线程
27
嵌入式优化
定点数
查表法
递归滤波
28
Python实现
NumPy/SciPy
PyTorch
实时流
29
案例实战
IMU去噪
ECG预处理
音频降噪
30
评估与验证
MSE
SNR提升
复杂度分析