从干净/带噪Numpy数组提取正弦波频率并匹配控制信号

一、峰值检测环节优化 #

之前用scipy.signal.find_peaks()效果不佳，核心是参数适配问题，可针对性调整：

• 设定自适应height阈值：先计算信号的均方根值（np.sqrt(np.mean(signal**2))），将height设为该值的1.5-2倍，过滤噪声伪峰值；
• 锁定最小峰间距distance：根据控制信号的预期频率范围，计算最小周期（1/最高频率），再转换为采样点数（采样率×周期），以此设置distance，避免相邻峰值误检；
• 加入峰值突出度prominence筛选：用scipy.signal.peak_prominences()计算每个峰值的突出度，只保留突出度高于噪声水平的峰值，提升峰值有效性。

二、平均峰距计算的鲁棒性优化 #

直接取峰距平均值易受异常值干扰，可改用更稳定的计算方式：

• 先对峰距数组做中位数滤波（scipy.signal.medfilt(peak_distances, kernel_size=3)），剔除偏离正常范围的异常值；
• 用峰距中位数替代平均值：中位数对极端值耐受性更强，更能反映正弦波的真实周期；
• 若存在微小频率漂移，采用滑动窗口局部平均：将峰距数组划分为若干窗口，计算每个窗口的平均峰距，再取所有窗口的中位数作为最终周期代表值。

三、多特征融合提升匹配精度 #

单一频率特征可能存在歧义，结合多维度特征可大幅提升匹配准确率：

• 峰值幅度一致性：计算控制信号与录制信号峰值的方差，方差越接近，匹配度越高；
• 频域频谱相似度：用scipy.fft.fft()将信号转至频域，计算两者频谱的余弦相似度（scipy.spatial.distance.cosine(fft_control, fft_record)），与频率特征加权结合；
• 时域互相关系数：用numpy.correlate(control, record, mode='valid')计算互相关，取最大值作为匹配度指标，和频率特征互补验证。

四、信号预处理优化 #

预处理能有效降低噪声干扰，提升后续检测精度：

• 去噪：采用维纳滤波（scipy.signal.wiener(signal)）或中值滤波去除高频噪声；
• 归一化：将所有信号归一化至同一幅度范围（signal = signal / np.max(np.abs(signal))），避免幅度差异影响峰值判断；
• 去除直流分量：执行signal = signal - np.mean(signal)，消除基线漂移对峰值检测的干扰。

五、匹配结果二次验证 #

得到初步匹配结果后，通过二次验证确保准确性：

• 周期调整后对比MSE：将匹配的控制信号按录制信号的平均峰距重采样，计算两者的均方误差（np.mean((resampled_control - record)**2)），MSE越小匹配越准确；
• 交叉验证调参：用多组录制信号测试同一控制信号的匹配准确率，调整各特征的权重比例，优化匹配逻辑。

内容的提问来源于stack exchange，提问作者ghukill