PHM2012滚动轴承全寿命数据集的特征提取环节，提取具有物理意义的统计特征。包含时十几个域、频域等的统计特征提取。最后保存的数据形式是numpy的数据格式

PHM2012数据集，采用EMD分解对水平振动信号进行分解，得到IMF分量和残差Res，并计算其IMF分量和Res的11个统计特征。包括均值、均方根、能量、熵、方差、中位数、峭度、峰值因子、波长和两个三角函数特征(反正切标准差、反双曲正弦标准差)

目的为了识别图像来源于相机还是其他电子设备,提出一种基于小波高阶统计量的图像来源取证方法。方法利用生成途径对图像性质的影响和数理统计方法,通过对比不同来源的数字图像的生成途径对它们各自性质的影响,从图像的多尺度分析角度,研究不同来源的图像在变换域所呈现的独有特性,提取数字图像小波域的高阶统计特征,以此判断图像的来源。结果实验结果表明,针对计算机软件、数码相机和扫描仪这3类图像的平均测试正确率达到了97.9%。结论该方法在确定图像来源上有较高的效率和准确率。

今天小编就为大家分享一篇python实现信号时域统计特征提取代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

1.实验数据需求 为了对采集的压力实验数据做特征工程，需要对信号进行时域的统计特征提取，包含了均值、均方根、偏度、峭度、波形因子、波峰因子、脉冲因子、峭度因子等，现用python对其进行实现。 2.python实现 其中的输入参数含义： ① data:实验数据的DataFrame ② p1:所截取实验信号的起始采样点位置 ③ p2:所截取实验信号的终止采样点位置 from pandas import Series import math pstf_list=[] def psfeatureTime(data,p1,p2): #均值 df_mean=data[p1:p2].mean()