先占坑，后回答。

占坑两天了，今天总算抽出时间来回答这个问题了。直接进入主题，我想先把作者这个问题分解一下。

我的理解，作者问了这两个问题：（1）机器学习做信号分析，常用的提取手段有哪些？（2）哪些信号特征可以用来识别信号？

针对第一个问题，其实问的我很懵，不太理解楼主是想知道常用的信号特征有哪些？还是真的问常用的“特征”提取手段？这本身就是两个问题。为了另楼主满意，我想这两个问题我还是都回答一下。

首先，针对常用的信号特征这个问题，一楼@刘锋博士已经回答的很好了，同时他还给特征分了三类，非常用心。这些特征非常有用，且在教科书上都能够找到相关的定义。我想我就不用在这里重复了，楼主应该可以查查文章，翻一翻书就能找到这部分知识。而我想从一个“更本质的角度”出发回答这个问题。任何能区分目标信号和其他信号的“描述”都能当作目标信号的特征。特征本质就是对一类信号“样貌”的“描述”。举一个例子，我们平时如何区分我们周围的人？我们一般从“身高”、“胖瘦”、“脸型”、“声音”等角度出发去辨别，这些就是我们对一个人“样貌”的定义和描述。信号一样我们可以从“均值”、“方差”、“有效值”、“频率”的角度描述信号的“样貌”。但是，特征的定义是什么呢？我们先看看百度词典的定义：

我们可以看到“特征”本身最重要的含义是“事物异于其他事物的特点”。一个事物（这里可以直接认为是信号）的描述有很多，但是真正能称得上特征还必须具备一定的条件，那就是“差异性”。比如描述直流信号（方差都为0、均值为0）时，显然“有效值”能区分两种直流信号，而“均值”和“方差”无法区分两个直流信号。所以，此时我们认为“有效值”才是区分不同直流信号的特征，而不是“均值”和“方差”这样的描述。这充分体现的区分事物的“差异性”。再比如，两个正弦信号（注意幅度都为1、相位都为0）的特征应该是什么？很明显“均值”、“方差”、“有效值”都不适合了，因为你始终能构造出两个具有相同“方差”或“有效值”的两个正弦信号。而学过傅立叶变换的同学知道，区分两个正弦信号最有用的描述就是“频率”。这也就是傅立叶变换的核心“一个信号可以被分解为多个频率不同的正余弦信号的组合”。显然这个任务中“频率”才能称为信号的“特征”。试想一下，如果我要你区分直流和正弦信号呢？这时候你选择“有效值”显然就不合适了。我们可以构造出“有效值”完全相同的直流和正弦信号。而这说明了一个道理，真实情况中特征明显是和“要进行的任务”挂钩的。比如现实生活中区分“梨”和“苹果”，我们可以用“颜色”作为特征，而如果任务变为区分“樱桃”和“苹果”，显然此时“颜色”不再是“特征”，“大小”可能是这个任务应该考虑的特征。因此特征是“考虑任务场景，且具有事物区分度的描述”。这里我引用机械故障诊断领域先驱Simon Braun教授关于“机械特征分析”的定义来说明这个问题：

上面这句话考虑的场景是“基于振动的机械设备异常分析”，“健康状态下的参考特征区分开来”是对“事物区分度”的表述。如果你真的需要一些即插即用的“描述”（注意我这里用的是描述，不是特征），我还是给你一个我曾经回答这个问题的链接。机械故障诊断及寿命预测中，通俗的讲特征提取是什么意思？ - aresmiki的回答 - 知乎。

接下来另一个问题，特征提取手段。其实楼主的问题已经回答了这个问题的一小部分。“机器学习”本身就是一种特征提取手段。这里我给楼主一个例子：如何让一个不知道“苹果”和“梨”是什么的人能认识“苹果”呢？有一种方法就是“机器学习”。当他拿一个水果（样本）过来，我们只需要告诉他是不是“苹果”（这就是标签）。第一次他拿了一个大的“梨”过来，我们告诉他不是“苹果”，第二次他拿了一个小的“梨”过来，我们还是告诉他不是“苹果”。通过两次学习他知道了大小不是区分“苹果”和“梨”的关键，第三次他拿了一个带把的“苹果”过来，我们告诉他是“苹果”，第四次他拿了带把的“梨”过来，我们还是告诉他不是“苹果”。这两次他知道带不带把也不是区分两个水果的关键。。。。就这样不断的累积经验最终他会学习到“颜色”是区分他们的关键，他也就总结了“颜色”是这个任务的特征。很显然，这个特征的提取是通过学习。另一种呢就是直接专家经验呢，让一些已经知道的人直接根据经验去总结。回到信号特征的提取手段上面来，第一种就是“用机器学习”来提取特征，典型的就是“神经网络”和“机器学习”，这类方法学习到的特征具有很强的针对性，特定适用于这个任务。第二种就是经验的总结，数学上经验的总结一般用数学公式来描述，如“均值”，“方差”等等，可以看到一般都是基于一些统计手段进行描述。现实中，这些统计的描述太过宽泛，因此我们并不知道这些描述能不能用于我们特定的任务。比如前面“颜色”这个特征是人们在处理“苹果”和“梨”的任务中总结出的一种描述，但是如果换做“樱桃”和“苹果”的案例中就可能不适用。所以我们在使用现成总结好的特征时往往需要有一个过程“特征筛选”，人为的筛选出一些适用的“描述”作为特征。回到主题，第二种特征提取方法本质上人为经验的数学总结（主要适用统计手段）。另一类看是文字描述，本质还是适用数学手段描述的人工经验指标。比如，EMD（经验模态分解）对它想要得到的信号的“特征”描述是：

IMF（固有模态函数）的定义

很显然这两句话依然是对要区分的信号的特征描述。在实际操作过程中，EMD通过“EMD迭代筛分步骤”实现这个特征的数学话，最终从一个复杂信号中提取出所有和定义“特征”相符的信号。

上面这个例子实际表述了一个现实，所有的信号分析和处理都是在做“特征”分析。不仅仅是“故障诊断”、“语音识别”等耳熟能详的任务。举例：小波分析将信号分解为和小波基相似的信号，因此给定的这个小波基函数就是一个“特征”的描述，要求分解的信号要和给定的这个基函数一样。傅立叶分析定义的信号的特征就是“频率”，他将信号分解为“频率”不一样的组合。PCA（主成分分析）使用“方差”作为区分信号特征，将信号分解为多个“方差”不同的信号。所以所有信号分析方法背后的本质都有一个“特征”作为目标的指导。就像我们找东西，都需要知道东西是什么，这里的“是什么”就是通过“特征”来描述。

先回答这么多吧。。。。有时间再回答最后这个问题“哪些信号特征可以用来识别信号？”

OK～～本来想出去，遇到下雨了！还是回来把这个问题回答完吧。

实际上，上面我已经回答了这个问题，那些特征可用主要取决于你的任务。应为即使你直接使用现成总结好的特征，你依然面临一个问题“特征筛选”。这个问题非常常见。以机械故障诊断为例，我们经常能看到很多这种文章：

最简单就是根本不对特征进行选择，让神经网络自己去挑选有用的特征（通过网络权重大小决定特征的重要性）。这中策略“非常简单”，缺陷就是无用特征太多，网络结构太大，难以训练，最后“机器学习”的结果可能不是很满意。如果你想看看第一种技术的一个具体实现案例（包含大量特征计算），可以在这里下载到：

另一种就是使用一些技术对选择的特征进行“压缩和筛选”，得到最有差异和富有“信息”的特征，再用这些特征进行学习，这样网络较小，训练相对容易，可以提高“机器学习”的性能。但是这些压缩技术或筛选技术依然是人为经验的参与，比如基于距离信息的筛选原则，就是利用了认为经验“距离是评估特征好坏的判断准则”。如果我们能很好好解决大型神经网络的训练问题，实际上第一种策略是一种万能方法，因为所谓的压缩和特征筛选可以用前几层神经网络训练（这里解释一下，神经网络本身能逼近任何函数映射，而人为选择的流行学习或PCA等方法本身就是可以用神经网络等效实现的。这点可以从稀疏自编码网络等效实现PCA方法看出）。

当然另一种技术就是完全使用机器学习技术，将特征层也用神经网络实现，最终生成一种端到端的模型，这个网络要完成的功能非常多，特征表示、特征筛选压缩、分类和回归等，这样的网络会非常深，简称为“深度神经网络”。这种方法的流程如下：

是不是深度学习技术最简单，但是本质上网络将特征表示、特征压缩筛选、分类回归都用神经网络实现了，而你需要解决的就是准备足够好的“数据集”、好的“计算平台”、期待能调到好的参数。

因此你问“哪些信号特征可以用来识别信号？”，我的回答是“不知道”，因为你没有给出一个具体的任务。但是我给你回答了一个“通用公式”。你遇到实际问题后，我相信你按照我给的三个思路，一定会找到“好的信号特征”。俗话说“授之以鱼，不如授之以渔”。好了，就这么多吧，夜已深，希望我一晚的“工作”，能帮助到你。不求回报，只求“点赞”，“关注”，“评论指正”。