一维信号中识别预训练模式或轮廓的常用方法有哪些？

相关信号参考样例：

• 模板匹配法：最基础的落地方法，把预定义的轮廓模式作为模板，用numpy做互相关运算，计算信号滑动窗口和模板的余弦相似度/欧氏距离，设定阈值判断匹配结果。适合模式形状固定、噪声小的场景，运算速度快，不需要额外训练。
• 动态时间规整（DTW）：专门解决信号存在时间轴拉伸/偏移的匹配场景，不需要预训练模式和信号段长度完全一致，计算两个序列的最小对齐成本，通过阈值筛选匹配结果。可以结合fastdtw库优化计算速度，适合有轻微形变的轮廓识别。
• 特征工程+传统分类器：先提取信号段的时域特征（峰值数、均值、方差、斜率）、频域特征（傅里叶变换频谱特征、小波系数），用提前标注好的正负样本训练SVM、随机森林、XGBoost分类器，推理时滑动窗口提取特征输入分类器判断是否为目标模式。适合模式有一定波动、样本量不大的场景。
• 一维卷积神经网络（1D CNN）：有足量标注样本时的首选方案，提前构造由1D卷积层、池化层组成的分类网络，用标注好的目标模式和负样本训练，推理时滑动窗口输入网络输出匹配概率。可以自动提取特征，抗噪声能力比传统方法强。
• 预训练时序模型适配：可以直接用已经在通用时序数据集上预训练好的模型，只需要用少量自己的目标模式样本做微调，就可以实现高精度的模式匹配，适合样本量少、模式类型多的场景。
• 峰值/拐点检测组合规则：如果目标轮廓有明确的形态特征（比如先升后降、固定数量的拐点），可以先做信号平滑（用savgol_filter滤波），然后检测峰值、谷值、拐点的位置和相对关系，写规则匹配目标轮廓。不需要训练，可解释性最强，适合规则明确的场景。
• 小波匹配追踪：用目标模式作为自定义小波基，对信号做稀疏分解，当分解后对应小波基的系数超过阈值时判定为匹配成功，抗噪声能力强，适合低信噪比下的小轮廓识别。

内容的提问来源于stack exchange，提问作者Tamas