Machine learning 在数字信号中寻找模式 让我们考虑一些2D信号（振幅随时间的变化）。

我有一个具有特定“形状”的代码片段库。为了便于示例，让我们假设一个方波、一个三角波和一个锯齿波，但实际上，它们要复杂得多

我有一个复杂的信号，比如录音

培训系统从复杂信号库中发现元素的最佳方法是什么，要知道：

• 库形状可能以不同的频率出现
• 库形状可能以不同的振幅出现
• 多个形状可以重叠
• 到处都是噪音

我想恢复的是：

• 哪个形状被认出来了
• 它离参考信号有多近
• 该形状在复杂信号中的位置（位置、频率、振幅范围）

• 额外的问题：因为我正在寻找形状本身，它可能会随着时间以非线性方式拉伸

我画了一幅快速的图片来说明：

作为这里的一个例子，我为我的库绘制了3个基本形状，并在音频信号的不同位置重叠了一些

解决这个问题的最佳方法是什么

---

我倾向于训练分类器来识别形状，但我不确定这是正确的方法，也不确定这对于频率分布广泛（50hz到15khz）的此类数据来说有多实际。

如果没有标记的数据集，我可能会尝试一种简化的卷积自动编码器

如果要识别的基本形状是固定的，我会使用

---

单个隐藏层（瓶颈），其中内核函数设置为基本形状。瓶颈处神经元的值将告诉您检测到哪些形状以及在何处。

当一个形状被拉伸（随着时间的推移），但可能在不同的形状上通过该形状时，这将如何处理？如果有限数量的不同拉伸就足够了，您可以使用具有不同拉伸因子的不同过滤器。你的问题看起来越来越像小波分析。如果你先做小波分析，也许你的问题更简单。