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

✅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。

⛳️ 运行结果

🔗 参考文献

[1] 赵妍,孙延,聂永辉.基于格拉姆角差场和迁移残差网络的HVDC线路故障识别[J].电力建设, 2024, 45(8):118-127.DOI:10.12204/j.issn.1000-7229.2024.08.01110.12204/j.issn.1000-7229.2.

[2] 陈仕龙,俸春雨,牛元有,等.基于格拉姆角场和PCNN-GRU的换相失败诊断方法[J].电力科学与工程, 2025(1).

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇