我正在使用PCA来降低某些蛋白质模拟的MD（分子动力学）轨迹数据的维数。基本上我的数据是蛋白质原子的xyz坐标随时间变化（这意味着我有很多这个xyz坐标的框架）。此数据的大小类似于20000帧200x3（坐标原子）。我在Matlab中使用princomp命令实现了PCA。
我想知道我是否可以对我的数据进行FFT。我有对音频信号（1D信号）进行FFT的经验。在这里，我的数据具有图片中的时间和空间。理论上可以在我的数据上实现FFT，然后使用LPF（低通滤波器）对其进行滤波。但我不确定。
答案 0 :(得分：2)
对于第一个问题“有人可以给我一些指导/代码片段/参考，以便对我的数据实施FFT吗？”：
我应该说fft是在matlab中实现的，你不需要自己实现它。另外，对于您的情况，您应该使用fftn（fft documentation）进行转换，然后在dessignfilt（design filter in matalab）应用低通滤波后，应用ifftn（{ {3}}）反转变换。
对于第二个问题“为什么人们更喜欢使用PCA而不是FFT和过滤...... ”：
我应该说，fft中的过滤是在信号空间中完成的，过滤后你不能在时空中推广它。您可以在inverse fft in matlab中了解有关此缺点的更多详细信息。
但是，傅里叶分析也有其他一些 严重的缺点。其中一个可能是时间 信息在转换到频率时会丢失 域即可。在查看a的傅里叶变换时 信号，不可能分辨出某个特定事件 已经发生了。如果是静止信号 - 这个 缺点不是很重要。但是，大多数 有趣的信号包含许多非固定或 暂时性特征：漂移，趋势，突变， 和事件的开始和结束。这些 特征往往是最重要的部分 信号和傅立叶分析不适合检测 它们。