用Python实战解析随机信号从统计特征到平稳性检验在传感器监测、金融时间序列分析或语音处理中我们常遇到看似毫无规律的数据波动。传统教学中复杂的数学公式往往让人望而生畏而实际工程更需要的是能快速上手的代码实现。本文将以Jupyter Notebook为战场用NumPy和Matplotlib这些Python利器带您直击随机信号分析的核心实战技能。1. 理解随机信号的DNA统计特征随机信号就像一群自由奔放的野马虽然单个轨迹难以预测但群体行为却存在规律。我们首先需要掌握描述这些规律的三大核心指标import numpy as np import matplotlib.pyplot as plt # 生成模拟随机信号 np.random.seed(42) stationary_signal np.cumsum(np.random.randn(1000)) * 0.1 non_stationary np.concatenate([ np.random.normal(0, 1, 300), np.random.normal(2, 1.5, 400), np.random.normal(-1, 0.8, 300) ])1.1 均值与方差信号的身份证均值反映信号的基准线方差则体现波动强度。对于上述模拟信号def print_stats(signal, name): print(f{name}信号统计:) print(f均值: {np.mean(signal):.4f}) print(f方差: {np.var(signal):.4f}) print(f标准差: {np.std(signal):.4f}\n) print_stats(stationary_signal, 平稳) print_stats(non_stationary, 非平稳)注意实际工程中建议使用pandas.DataFrame.rolling()计算滑动统计量能更直观观察局部特征变化。1.2 概率密度分布信号的指纹图谱直方图和核密度估计(KDE)比单一统计量更能揭示信号本质from scipy.stats import gaussian_kde plt.figure(figsize(12,5)) plt.subplot(121) plt.hist(stationary_signal, bins30, densityTrue, alpha0.6) kde gaussian_kde(stationary_signal) xvals np.linspace(min(stationary_signal), max(stationary_signal), 200) plt.plot(xvals, kde(xvals), r-) plt.title(平稳信号分布) plt.subplot(122) plt.hist(non_stationary, bins30, densityTrue, alpha0.6) kde gaussian_kde(non_stationary) xvals np.linspace(min(non_stationary), max(non_stationary), 200) plt.plot(xvals, kde(xvals), r-) plt.title(非平稳信号分布) plt.show()2. 平稳性检验信号稳定性的照妖镜平稳性是许多信号处理算法的前提假设下面介绍两种实用的检验方法。2.1 滑动窗口检验法通过观察统计量随时间的变化来判断平稳性def rolling_stat_test(signal, window_size100): means [np.mean(signal[i:iwindow_size]) for i in range(0, len(signal)-window_size)] stds [np.std(signal[i:iwindow_size]) for i in range(0, len(signal)-window_size)] plt.figure(figsize(12,4)) plt.subplot(121) plt.plot(means) plt.title(滑动均值变化) plt.subplot(122) plt.plot(stds) plt.title(滑动标准差变化) plt.show() rolling_stat_test(stationary_signal) rolling_stat_test(non_stationary)2.2 ADF单位根检验Augmented Dickey-Fuller检验是时间序列分析中的经典方法from statsmodels.tsa.stattools import adfuller def adf_test(signal): result adfuller(signal) print(ADF统计量: %f % result[0]) print(p值: %f % result[1]) print(临界值:) for key, value in result[4].items(): print(\t%s: %.3f % (key, value)) if result[1] 0.05: print(拒绝原假设信号可能平稳) else: print(无法拒绝原假设信号可能非平稳) print(平稳信号检验结果:) adf_test(stationary_signal) print(\n非平稳信号检验结果:) adf_test(non_stationary)3. 实战案例EEG信号分析让我们用真实的EEG数据(来自MNE库)演示完整分析流程# 安装MNE库: pip install mne import mne from mne.datasets import sample data_path sample.data_path() raw_fname data_path / MEG/sample/sample_audvis_filt-0-40_raw.fif raw mne.io.read_raw_fif(raw_fname, preloadTrue) # 选取EEG通道 eeg_data raw.pick_types(eegTrue).get_data()[0, :10000]3.1 特征提取与可视化plt.figure(figsize(15,5)) plt.plot(eeg_data[:1000]) plt.title(EEG信号片段) plt.xlabel(采样点) plt.ylabel(幅值(μV)) plt.show() # 计算统计特征 eeg_features { 均值: np.mean(eeg_data), 方差: np.var(eeg_data), 偏度: mne.stats.stats.skew(eeg_data), 峰度: mne.stats.stats.kurtosis(eeg_data) } print(EEG信号特征:) for k, v in eeg_features.items(): print(f{k}: {v:.4f})3.2 平稳性分析# 分段平稳性检验 segment_length 2000 for i in range(0, len(eeg_data), segment_length): segment eeg_data[i:isegment_length] print(f\n段{i//segment_length}检验结果:) adf_test(segment)4. 进阶技巧处理非平稳信号当检测到非平稳性时常用的处理方法包括方法原理适用场景Python实现差分法计算相邻数据点的差值趋势性非平稳np.diff()对数变换压缩数据尺度方差变化型np.log1p()分段处理将信号划分为准平稳段突变型非平稳自定义分段小波变换时频域联合分析复杂非平稳pywt库差分法示例diff_signal np.diff(non_stationary) plt.figure(figsize(12,4)) plt.subplot(121) plt.plot(non_stationary) plt.title(原始信号) plt.subplot(122) plt.plot(diff_signal) plt.title(一阶差分信号) plt.show() print(差分后平稳性检验:) adf_test(diff_signal)在金融时间序列分析中我经常发现简单的对数差分组合就能使大多数价格序列变得平稳。但要注意过度差分会导致信息损失实践中需要通过ACF/PACF图辅助判断最优差分阶数。