时频转换 | Matlab格拉姆角差场Gramian angular difference 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

在信号处理、模式识别、生物信息学等领域，时序数据扮演着至关重要的角色。然而，传统的机器学习和深度学习模型往往更擅长处理二维图像数据。因此，将一维时序数据转换为二维图像，以便利用图像处理领域的强大技术，成为了一个备受关注的研究方向。格拉姆角差场 (Gramian Angular Difference Field, GADF) 是一种有效的将一维时序数据编码为二维图像的方法，它能够在保留时序数据结构信息的同时，方便后续的图像分析与处理。本文将深入探讨 GADF 方法的原理、步骤，并分析其在不同应用场景下的优势与局限性。

一、GADF 方法的原理与步骤

GADF 方法基于格拉姆角场 (Gramian Angular Field, GAF) 的概念，后者利用时序数据的极坐标表示来构建格拉姆矩阵。GADF 在此基础上，计算格拉姆矩阵中相邻元素之间的差值，从而更加强调时序数据的局部变化和波动特征。其主要步骤如下：

1. 数据归一化： 首先，需要将一维时序数据归一化到 [0, 1] 或者 [-1, 1] 区间。常用的归一化方法包括 Min-Max 归一化和 Z-score 归一化。归一化的目的是消除数据量纲的影响，并确保数据在后续的极坐标转换中能够保持一致的尺度。

   根据具体应用场景，选择合适的归一化方法。例如，当数据分布已知且较为均匀时，Min-Max 归一化效果较好；而当数据存在异常值或者分布未知时，Z-score 归一化更具鲁棒性。

   • Min-Max 归一化: 将数据线性映射到 [0, 1] 区间，公式为：

     x' = (x - min(x)) / (max(x) - min(x))  

   • Z-score 归一化: 将数据转化为标准正态分布，均值为 0，标准差为 1，公式为：

     x' = (x - mean(x)) / std(x)  

     其中，mean(x) 表示数据的均值，std(x) 表示数据的标准差。

2. 极坐标转换： 将归一化后的数据视为极坐标系中的半径 r，时间索引视为角度 θ。具体来说，对于时间序列 x = {x₁, x₂, ..., xₙ}，其中 xᵢ ∈ [0, 1]，可以将其转换为极坐标：

   θᵢ = (2π * i) / n,  i = 1, 2, ..., n  
   rᵢ = xᵢ  

   或者，当 xᵢ ∈ [-1, 1] 时，可以将其转换为：

   θᵢ = arccos(xᵢ)  
rᵢ = (2π * i) / n,  i = 1, 2, ..., n  

   选择哪种转换方式取决于归一化的结果。如果归一化到 [0, 1] 区间，则直接将归一化后的值作为半径即可。如果归一化到 [-1, 1] 区间，则需要使用反余弦函数将归一化后的值映射到角度。

3. 格拉姆矩阵计算： 计算所有点对之间的角度差的余弦值，构成格拉姆角差场矩阵 GADF：

   GADF(i, j) = cos(θᵢ - θⱼ)  

   其中，i 和 j 分别表示时间序列中的两个索引。GADF(i, j) 表示时间点 i 和时间点 j 之间的角度差的余弦值。由于余弦函数具有对称性，因此 GADF 矩阵也是对称的。

   计算格拉姆矩阵的过程中，也可以使用不同的核函数来增强特定时间关系的表示能力。例如，可以使用线性核、多项式核或径向基函数核 (RBF Kernel)。

4. 差分计算： 对格拉姆矩阵进行差分计算，获得角差场：
   通常的做法是计算相邻元素之间的差值，可以沿行方向或列方向进行差分。例如，沿行方向进行差分，得到新的矩阵 D：

   (i, j) = GADF(i, j+1) - GADF(i, j)  

   或者，也可以计算对角线方向的差分。不同的差分方式会突出不同的时序特征。

5. 图像生成与可视化： 将计算得到的差分矩阵 D 作为图像的像素值，即可生成二维图像。可以将矩阵元素的值映射到灰度图像的像素值范围 [0, 255]，或者将其可视化为彩色图像。

二、GADF 方法的优势与局限性

GADF 方法作为一种时序数据到图像数据的转换技术，具有以下优势：

• 保留时序信息：

   GADF 方法将时序数据编码到二维图像中，保留了原始数据的时间依赖关系和序列结构。通过分析图像的纹理和模式，可以推断出原始时序数据的特征。

• 方便图像处理：

   生成的图像可以使用各种图像处理技术进行分析，例如卷积神经网络 (CNN)、图像分割、特征提取等。这使得可以利用图像领域的强大工具来处理时序数据。

• 可视化：

   GADF 图像提供了一种直观的可视化方式来理解时序数据的结构和变化。通过观察图像的模式，可以更容易地识别时序数据中的异常和规律。

• 参数较少：

   GADF 方法的参数较少，主要涉及归一化方法和极坐标转换方式的选择。这使得该方法易于实现和调整。

然而，GADF 方法也存在一些局限性：

• 计算复杂度：

   计算格拉姆矩阵的时间复杂度为 O(n²)，其中 n 是时序数据的长度。对于较长的时序数据，计算成本较高。

• 信息冗余：

   格拉姆矩阵包含大量冗余信息，因为矩阵是对称的。这可能导致生成的图像包含不必要的噪声。

• 对噪声敏感：

   GADF 方法对噪声较为敏感，因为噪声会影响极坐标转换和格拉姆矩阵的计算。

• 图像尺寸固定：

   生成的图像的尺寸取决于时序数据的长度。如果需要处理不同长度的时序数据，则需要进行缩放或者截断操作。

三、GADF 方法的应用场景

GADF 方法已被广泛应用于各个领域，例如：

• 时间序列分类：

   GADF 方法可以将时间序列转换为图像，然后使用 CNN 等图像分类器进行分类。例如，在心电图 (ECG) 信号分类、语音识别、股票价格预测等领域，GADF 方法都取得了良好的效果。

• 异常检测：

   GADF 方法可以用于检测时间序列中的异常。通过分析 GADF 图像的纹理和模式，可以识别出与正常模式不同的异常模式。例如，在工业故障诊断、网络安全、金融欺诈检测等领域，GADF 方法可以用于发现异常事件。

• 生物信息学：

   GADF 方法可以用于分析基因表达数据、蛋白质序列等生物信息学数据。通过将这些数据转换为图像，可以利用图像处理技术来识别基因之间的关系、蛋白质的结构等。

• 交通流量预测：

   GADF 方法可以用于将交通流量数据转换为图像，从而利用图像分析技术来预测未来的交通流量。

• 设备运行状态监测：

   通过将传感器采集的设备运行数据转换为 GADF 图像，可以利用 CNN 等方法进行设备状态监测和故障预测。

四、优化与改进

为了克服 GADF 方法的局限性，研究者提出了许多优化与改进方法：

• 滑动窗口 GADF：

   将时序数据分成多个滑动窗口，分别计算每个窗口的 GADF 图像。这样可以降低计算复杂度，并提高对局部变化的敏感性。

• 降维技术：

   在计算格拉姆矩阵之前，可以使用主成分分析 (PCA) 等降维技术来降低数据的维度。这样可以减少计算量，并降低噪声的影响。

• 多尺度 GADF：

   使用不同的窗口大小计算多个 GADF 图像，然后将这些图像融合在一起。这样可以捕捉不同尺度的时序特征。

• 与其他时间序列转换方法的结合：

   可以将 GADF 方法与其他时间序列转换方法 (例如马尔可夫转换场 (Markov Transition Field, MTF)) 结合起来，以获得更全面的时序特征表示。

• 针对特定领域的优化：

   针对不同的应用领域，可以设计特定的 GADF 变体。例如，在金融领域，可以根据股票价格的波动特点，设计特定的极坐标转换方式。

五、结论

格拉姆角差场 (GADF) 是一种有效且易于使用的将一维时序数据转换为二维图像的方法。它保留了原始数据的时间依赖关系和序列结构，并使得可以使用图像处理技术进行分析。尽管 GADF 方法存在一些局限性，但通过各种优化与改进，它可以被应用于各种领域，例如时间序列分类、异常检测、生物信息学等。随着深度学习和图像处理技术的不断发展，GADF 方法将在未来发挥更加重要的作用。未来研究方向可以包括探索更有效的差分计算方式、结合注意力机制等，以进一步提高 GADF 方法的性能和泛化能力。

⛳️ 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

👇