特征选择的通俗讲解.docxVIP

什么是傅里叶变换？

在数学中，变换技术用于将函数映射到与其原始函数空间不同的函数空间。傅里叶变换时也是一种变换技术，它可以将函数从时域空间转换到频域空间。例如以音频波为例，傅里叶变换可以根据其音符的音量和频率来表示它。我们可以说，任何函数的傅里叶变换所执行的变换都是频率的函数。其中结果函数的大小是原始函数所包含的频率的表示。让我们举一个信号的例子，它的时域函数如下所示：在同一时间范围内获取另一个信号的一部分

将这两个信号的称为A(n)和B(n)，其中n是时域。因此，如果我们添加这些信号，信号的结构将如下所示：

C(n)=A(n)+B(n)可以看到，函数的信号相加是将两个信号进行了加的操作，如果我们试图从这个相加信号C中提取信号A或B，我们会遇到一个问题，因为这些信号只是功率相加，和时间没有关系。也就是说相加的操作是同一时间上的功率的相加。

可以在上图中看到，频域可以很容易地突出信号之间的差异。如果希望将这些信号转换回时域，我们可以使用傅里叶逆变换。

傅立叶变数学原理正弦序列可用于表示时域中的信号，这是傅立叶变换的基础。所以如果函数是一个连续信号，函数f可以用来表示为：

可以看到该函数是由无限正弦曲线相加组成的，我们可以将其视为函数信号的表示，并且该函数具有定义输出信号结构所需的两个系数。

求解傅里叶变换积分（本质上是频率的函数）会产生这些系数。傅里叶变换的结果可以被认为是一组系数。它可以用数学表示如下：

而这个函数的倒数可以看作是我们用来将频域函数转换为时域函数的时间函数，也就是傅里叶逆变换。

求解上面的这些积分可以得到a和b的值，这里讨论的是信号是连续信号的情况。但是在现实生活中，大多数问题都是从离散采样的信号中产生的，为了找出这种信号变换的系数，我们需要执行离散傅里叶变换(DFT)。

使用DFT我们可以得到一个相同长度等间隔的样本序列，这个函数是由一组等间隔的样本序列组成的。上面给出的函数f(t)的系数可以由下面的函数得到。

a和b的值将是，

在函数f(t)中使用项a和b，就可以找到频域中的信号。

使用Python进行傅里叶变换Python的scipy模块提供了数学中所需的所有转换技术，所以可以直接使用它

importnumpyasnp

importmatplotlib.pyplotasplt

fromscipy.fftimportfft,fftfreq

制作正弦波

#samplepointsN=1200

#samplespacingT=1.0/1600.0

x=np.linspace(0.0,N*T,N,endpoint=False)sum=np.sin(50.0*2.0*np.pi*x)+0.5*np.sin(80.0*2.0*np.pi*x)

plt.plot(sum)

plt.title(Sinewave)

plt.xlabel(Time)

plt.ylabel(Amplitude)

plt.grid(True,which=both)

plt.show()

上面的输出中，可以看到使用NumPy生成的正弦波，现在可以使用scipy库的FFT模块对其进行转换。

sumf=fft(sum)

xf=fftfreq(N,T)[:N//2]

plt.ylabel(frequency)

plt.xlabel(sample)

plt.title(FFTofsumoftwosines)

plt.plot(xf,2.0/N*np.abs(sumf[0:N//2]))

plt.show()

现在可以清楚地看到各种波的频率是多少，作为时域的函数形成的时这些并不明显，只有在频域表示时才能清楚的看到这些区别。

通过上面的介绍已经了解了傅立叶变换的基本内容，但它现在与神经网络有什么关系呢？傅里叶变换是一种逼近其他频域函数的工具，而神经网络也可以逼近任意函数。我们将在本文的下一部分中介绍神经网络和傅里叶变换之间的关系。

神经网络和傅里叶变换之间有什么关系？可以将傅里叶变换视为一种有助于逼近其他函数的函数，并且我们还知道神经网络可以被认为是一种函数逼近技术或通用函数逼近技术。

上图描绘了一个采用傅里叶变换方法的神经网络。一个相对基本的神经网络的目标是希望在特定时间逼近一个未知函数及其值。大多数神经网络的任务是学习整个函数或算法或数据中指定的值点处的函数，傅里叶网络也是一样通过迭代技术找到逼近函数的参数。

卷积神经网络中的傅立叶变换卷积神经网络中卷积层是主要基础组件，在网络中，任何卷积层的主要工作是将滤波器（卷积核）应用于输入数据或特征图，对前一层的输出进行卷积。该层的任务是学习过