假设我正在使用 DTW 算法从一些传感器读数中提取特征。我想提取和编目一组特征。
在将信号发送到 DTW 提取器之前，我有几个工具可以从信号中去除我认为是噪声的东西。我可以使用带通/陷波滤波器或 DFT。
当以交互方式执行此操作时，作为人类，我很容易发现频谱的哪一部分是有趣的，哪一部分是低熵噪声。
例如，以下信号：
叠加了三个信号。
- 低频方脉冲（400 个样本长 - 2.5mHz）
- 中频正弦波（33 个样本长 - 30mHz）
- 和高频噪声。
对我来说，这是微不足道的。我说可见，但如果我要听信号，这也是可听见的。
地面噪声恰好是无刷风扇偶尔启动时产生的射频干扰。所以我可以在那里或不在那里有噪音，这取决于一个完全随机的变量。
目前尚不清楚中频正弦波是否只是方波的叠加，还是由相同的基本潜在现象产生的。如果不是同一种现象，它们各自的相位就有可能发生漂移，方波信号的上升沿有时会与正弦波的上升沿对齐。这意味着对于最终成为方波信号的信号，我可以拥有数十种不同外观的 DTW 特征，而这是我宁愿避免的。
描述了上述情况后，我的问题如下：
- 我可以使用什么指标（如果答案不是简单的，甚至可以使用理论或分析分支）来确定必要的过滤量？对于任何给定的 500 个样本的分析窗口，在尝试提取特征之前，我如何以编程方式确定如何预处理我的信号？
- 给定具有特定光谱分布的样本窗口，是否存在带通滤波器的最佳截止值？（或陷波频率）
- 如果有，它是否一直存在？
- 如果存在最优值，我如何获得它？
- 这与信号中的信息量有什么关系？
注意：我的问题含糊不清是我问题的一部分。我不知道从哪里开始寻找答案。
需要明确的是：我并没有试图获得比现有更多的信息。我想尽可能少地降低信号，同时消除明显的低熵噪声。
我研究过自适应滤波器之类的东西，但这些似乎经常有一个单独的测量来帮助反馈循环。