我正在嘗試尋找一種方法來過濾掉具有如下所示模式的信號。該模式可以描述為具有方波，通常在多個時間段內(nèi)具有恒定的波動值+-1、+-2 或+-0。信號通常會瞬間下降到 5-100 標(biāo)準(zhǔn)差，然后在很短的時間內(nèi)保持恒定速率，然后再次回升。這些類型的信號可以具有單個或多個不同長度的方波，但信號中始終呈現(xiàn)方波。我需要找到一種方法，可以幫助我從大約 3000 個信號中聚類出或過濾掉這些信號。我嘗試了以下方法并得到了非常復(fù)雜的結(jié)果：使用 TSLearn 和 DTW python 包對數(shù)字方差相關(guān)特征進行單變量時間序列聚類（混合結(jié)果）使用 K-Means、KNN 等進行多元聚類（通?？梢詾閱蝹€信號分配多個聚類。規(guī)則是一個信號對應(yīng)一個桶，而不是多個桶）在數(shù)組中查找子序列的條件邏輯，希望找到方波（我對此無能為力，因為良好信號的一半長度可以等于信號重要部分的長度的一半；方波）核分布估計（我有其他信號與該信號具有相同的分布，因此我無法根據(jù)系數(shù)的排名/聚類過濾掉這些信號）您能否推薦其他方法來幫助我從一組其他信號中識別此類信號？如果您的方法是傅里葉變換，您能否提供一個示例，說明我如何使用它從一組其他信號中過濾掉該信號？
1 回答
ITMISS
TA貢獻1871條經(jīng)驗 獲得超8個贊
這將做到這一點：
def first_der(df):
y = df.NREVS.values
x = df.cum_int.values
dy=np.diff(y,1)
dx=np.diff(x,1)
yfirst=dy/dx
return yfirst
def zero_runs(yfirst):
# Create an array that is 1 where a is 0, and pad each end with an extra 0.
iszero = np.concatenate(([0], np.equal(a, 0).view(np.int8), [0]))
absdiff = np.abs(np.diff(iszero))
# Runs start and end where absdiff is 1.
ranges = np.where(absdiff == 1)[0].reshape(-1,2)
return yind
def square_finder(yfirst, yind, df):
xmax = yind.shape[0] #max value in first position where y_first can be indexed
ymax = yind.shape[1] #max value in second position
thresh = 4
for i in range(0,xmax):
if yind[i][1] < len(yfirst):
if ((yfirst[yind[i][1]] > 5) | (yfirst[yind[i][1]] < -5)):
#if ((yfirst[yind[i-1][1]+1] > 3) | (yfirst[yind[i-1][1]+1] < -3)):
zeros = yind[i][1] - yind[i-1][1] - 2
if zeros >= thresh:
df['category'] = 'square'
else:
pass
else:
pass
else:
pass
return df
添加回答
舉報
0/150
提交
取消