时频转换 | Matlab格拉姆角和场Gramian angular summation field一维数据转二维图像方法

最新推荐文章于 2025-05-23 05:57:30 发布

原创最新推荐文章于 2025-05-23 05:57:30 发布 · 941 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #开发语言

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在现代数据分析和机器学习领域，将一维时间序列数据转化为二维图像已成为一种重要的手段。这种方法能够利用计算机视觉领域的强大技术，对时间序列数据进行特征提取、模式识别和分类预测。格拉姆角和场 (Gramian Angular Field, GAF) 作为一种高效的将一维数据转换为二维图像的技术，近年来受到了广泛的关注和应用。本文将深入探讨格拉姆角和场的原理、算法流程以及其在不同领域的应用，旨在全面理解这一数据转换方法的价值和意义。

一、格拉姆角和场的理论基础

格拉姆角和场 (GAF) 的核心思想是将一维时间序列数据编码到极坐标系中，然后利用三角函数的性质将其转换成二维图像。这种方法保留了原始数据的时间依赖性和结构信息，同时又将其转化为计算机视觉领域可以有效处理的图像格式。GAF主要分为两种：格拉姆角和求和场 (Gramian Angular Summation Field, GASF) 和格拉姆角差分场 (Gramian Angular Difference Field, GADF)。

1. 数据归一化与极坐标转换

GAF的第一步是对原始时间序列数据进行归一化处理，将其缩放到范围 [0, 1] 或 [-1, 1] 内。常用的归一化方法包括最小-最大归一化 (Min-Max Normalization) 和标准差归一化 (Standardization)。归一化处理的目的是消除数据量纲的影响，并确保所有数据点都位于单位圆内。

完成归一化后，将归一化后的数据点映射到极坐标系中。假设原始时间序列数据为 X = {x₁, x₂, ..., xₙ}，经过归一化处理后的数据为 X' = {x'₁, x'₂, ..., x'ₙ}。对于GASF，每个归一化后的数据点 x'ᵢ 被转换为极坐标系中的角度 φᵢ，公式如下：

φᵢ = arccos(x'ᵢ), 0 ≤ x'ᵢ ≤ 1, x'ᵢ ∈ X'

时间戳 i 被转换为极坐标系中的半径 rᵢ，公式如下：

rᵢ = i / N, i ∈ [1, N]

对于GADF，每个归一化后的数据点 x'ᵢ 被转换为极坐标系中的角度 φᵢ，公式如下：

φᵢ = arcsin(x'ᵢ), -1 ≤ x'ᵢ ≤ 1, x'ᵢ ∈ X'

同样，时间戳 i 被转换为极坐标系中的半径 rᵢ，公式如下：

rᵢ = i / N, i ∈ [1, N]

2. 格拉姆矩阵的构建

在获得每个数据点在极坐标系中的角度 φᵢ 后，构建格拉姆矩阵。对于GASF，格拉姆矩阵 G 的每个元素 Gᵢⱼ 定义如下：

Gᵢⱼ = cos(φᵢ + φⱼ)

对于GADF，格拉姆矩阵 G 的每个元素 Gᵢⱼ 定义如下：

Gᵢⱼ = sin(φᵢ - φⱼ)

构建的格拉姆矩阵 G 是一个 N×N 的对称矩阵，其中 N 是原始时间序列数据的长度。矩阵中的每个元素代表了对应时间点之间的角度关系，从而编码了时间序列数据的结构信息。

3. 图像可视化

将格拉姆矩阵 G 可视化成图像，矩阵中的每个元素 Gᵢⱼ 对应于图像中的一个像素点，像素点的颜色或灰度值由 Gᵢⱼ 的数值大小决定。通常，采用灰度图来表示格拉姆矩阵，数值越大，像素点越亮。

二、格拉姆角和场的优势与特点

相对于其他将一维数据转换为二维图像的方法，格拉姆角和场具有以下优势和特点：

保留时间依赖性：
GAF通过将时间序列数据编码到极坐标系中，有效地保留了原始数据的时间依赖性和顺序信息。矩阵的结构和对角线反映了数据的趋势和周期性变化。
鲁棒性强：
GAF 对噪声和时间序列的长度变化具有一定的鲁棒性。通过调整归一化方法和参数，可以增强 GAF 对特定类型噪声的抵抗能力。
计算效率高：
GAF 的计算复杂度相对较低，尤其是在使用优化后的算法和并行计算的情况下，可以快速地将大规模时间序列数据转换为二维图像。