西储大学轴承数据集用什么特征提取方法比较好，给出相应代码

西储大学轴承数据集是一个用于故障诊断的数据集，其中包含了轴承在不同工况下的振动信号。对于这种时域信号，常用的特征提取方法包括时域特征、频域特征和时频域特征。

时域特征是指直接针对原始时域信号进行的统计特征提取，其中常用的特征包括均值、方差、峰值、峰峰值、标准差、斜度、峰度等。这些特征可以通过Python中的numpy库实现：

import numpy as np

# 计算均值
mean = np.mean(data)

# 计算方差
variance = np.var(data)

# 计算峰值
peak = np.max(np.abs(data))

# 计算峰峰值
peak_to_peak = np.max(data) - np.min(data)

# 计算标准差
std = np.std(data)

# 计算斜度
skewness = np.mean((data - mean)**3) / std**3

# 计算峰度
kurtosis = np.mean((data - mean)**4) / std**4

频域特征是指将时域信号转换到频域后进行的特征提取，其中常用的特征包括功率谱密度、频带能量比、谐波失真率等。这些特征可以通过Python中的scipy库实现：

from scipy import signal

# 计算功率谱密度
f, pxx = signal.welch(data, fs)

# 计算频带能量比
def band_energy_ratio(data, fs, f_low, f_high):
    f, pxx = signal.welch(data, fs)
    idx = np.logical_and(f >= f_low, f <= f_high)
    ber = np.sum(pxx[idx]) / np.sum(pxx)
    return ber

# 计算谐波失真率
def harmonic_distortion(data, fs, f_fundamental):
    f, pxx = signal.welch(data, fs)
    idx_fundamental = np.argmin(np.abs(f - f_fundamental))
    hd = (np.sum(pxx) - pxx[idx_fundamental]) / pxx[idx_fundamental]
    return hd

时频域特征是指将时域信号转换到时频域后进行的特征提取，其中常用的特征包括小波包能量、时频分布熵等。这些特征可以通过Python中的pywt库实现：

import pywt

# 计算小波包能量
def wavelet_packet_energy(data, wavelet, level):
    wp = pywt.WaveletPacket(data, wavelet, mode='symmetric', maxlevel=level)
    energy = []
    for node in wp.get_leaf_nodes():
        energy.append(np.sum(node.data**2))
    return energy

# 计算时频分布熵
def tfe_entropy(data, fs):
    f, t, Sxx = signal.spectrogram(data, fs)
    Sxx /= np.sum(Sxx)
    entropy = -np.sum(Sxx * np.log(Sxx))
    return entropy

以上是一些常用的特征提取方法及其对应的Python代码，可以根据实际情况选择合适的方法进行特征提取。