峰值查找算法 - 动态阈值或替代方法答案

【问题标题】：Peak finding algorithm - Dynamic thresholding or alternative methods峰值查找算法 - 动态阈值或替代方法
【发布时间】：2014-01-03 19:34:00
【问题描述】：

我正在寻求一些建议。抱歉，或者您觉得属于其他网站。

我的任务是识别信号中的特定社交呼叫（来自蝙蝠），并且我一直在研究应该使用哪些类型的方法来隔离不同的呼叫。所以，首先，这就是整个信号的样子：

这个信号非常大，因此信号被分成1024*100的块（每个大约10MB左右），这里是一个块的样本：

此信号更理想，并且可以从视觉上轻松识别峰值。以下是一些与此相关的问题：

1) 计算短期能量是否是确定峰值的适当方法？

2) 有没有动态分配阈值的方法？例如。为这个块创建的算法，应该潜在地适用于信号中的所有其他块以及输入的任何其他信号吗？

3) 将此信号转换为频域（使用 STFT 方法）会有什么不同吗？

这是使用 FFT 算法的块：

预期输出：

任何建议将不胜感激

【问题讨论】：

我只是好奇：难道不能用 101 个统计数据过滤这些信号吗……
@achingfingers 我不知道这个概念？如果您指的是编程语言，我正在使用 C++/Python 来解决这个问题。为什么使用 101 统计数据会有所作为，只是出于好奇？
我不想冒犯。而且我不是很喜欢你在做什么......但对我来说，上面的模式看起来可以很容易地用标准偏差阈值过滤......当然用你选择的语言实现。
@achingfingers 哦，我很抱歉，如果我的反应好像我在冒犯一样，我真的没有（只是有压力！！）。谢谢你的回复:)我会查一下标准差阈值，看看我在哪里，我只是不知道这个概念而已！我会回帖的！
@achingfingers 抱歉，您有任何可能对标准差阈值有用的论文或教程吗？会有所帮助:)

【解决方案1】：

是的。您必须尝试找出合适的间隔长度。
是的。一种方法是从较大块的平均能量开始，并将阈值设置为该值的 10 倍。
视情况而定。你想知道频率吗？它可以用来区分蝙蝠噪声和不相关类型的背景噪声。如果没有很多其他噪音并且您对频率不感兴趣，请不要打扰。如果你只是想找到峰，那也无济于事。

【讨论】：

【解决方案2】：

可能有关于峰值检测算法的论文。但是如果你没有时间，你可以尝试沿着时间窗口移动，并使用它的能量来计算一个阈值。

也许您还可以查看峰密度（如果沿时间存在或多或少相同数量的峰），以了解您应该期望在给定窗口中找到多少峰。（好吧，如果没有静默，但通常很容易使用能量区分静默和噪音）。

我怀疑 FFT 会有所帮助。我们可以看到没有明显的频率，任何类型的过滤都会污染峰值。

【讨论】：

【解决方案3】：

我会研究频率，检查时频分析。也许小波或 wigner 变换或简单的声波图会有所帮助。

时间-频率表示通常同时为您提供时间、能量和频率。好东西。

【讨论】：