曲线分类-特征提取(二)

最新推荐文章于 2025-06-30 16:13:19 发布

原创

最新推荐文章于 2025-06-30 16:13:19 发布 · 1.2w 阅读

73 ·

CC 4.0 BY-SA版权

文章标签：

#曲线分类 #特征提取

本文探讨了时间序列分析中的特征提取，包括时域特征如自相关系数、偏自相关系数、差分，以及季节性、趋势和残差的分解。此外，还介绍了赫斯特指数和熵作为衡量序列复杂性和长期记忆性的指标。通过这些方法，可以有效地理解和描述时间序列数据的模式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

时域特征

自相关系数与偏自相关系数

自相关（autocorrelation），指时序序列于其自身在不同时间点的互相关性.
离散数据的 $l$ 阶自相关系数定义为

a u t o c o r r e l a t i o n_{l} = \frac{1}{(n - l) σ^{2}} \sum_{t = 1}^{n - 1} (X_{t} - μ) (X_{t + l} - μ)

$autocorrelation_{l} = \frac{1}{(n-l)\sigma ^{2}}\sum_{t=1}^{n-1}(X_{t}-\mu)(X_{t+l}-\mu)$

n n $n$ 是时间序列

X_{i}

$X_{i}$ 的长度,

σ2 σ 2 $\sigma^2$ 为方差，

μ μ $\mu$ 为均值

自相关（autocorrelation）

为了更清楚查看自相关系数，这里选择滞后阶数为120。

    from statsmodels.graphics.tsaplots import plot_acf
    plot_acf(df_data['value'],lags=120)
    plt.show()

滞后数为120自相关系数

偏自相关（partial_autocorrelation），滞后k阶偏自相关系数是指在给定中间k-1个随机变量 $x_{t-1},x_{t-2} ... x_{t-k+1}$ 的条件下，或者说在剔除了中间k-1个随机变量的干扰后， x

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

wingooom

关注关注

6
点赞
踩
73

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

图像二值化曲线特征 matab

matlab_python22的博客

07-14

211

图像的二值化曲线特征问题可以看到图像的二值化曲线特征可以得到，得到最后的数据求解得到每个位置的特征，进而可以识别有关的数据图像二值化曲线特征matab-机器学习文档类资源-优快云文库......

【数据挖掘】心跳信号分类预测之特征工程 —— 学习笔记（三）

闻韶

03-22

3172

三、特征工程 3.1 看书常言道，“巧妇难为无米之炊”。在 ML 中，数据和特征将作“米”，模型和算法则为“妇”。若无数量充足的数据、良好表示的特征，再强大的模型也难以得到满意的结果 (garbage in，garbage out)。对于 ML 问题，数据和特征往往决定了结果的上限，而模型、算法的选择及优化则是在逐步接近该上限。特征工程，顾名思义，是对原始数据进行一系列工程处理，将其提炼为特征，作为输入供算法和模型使用。在本质上，特征工程是一个表示和展现数据的过程。在实际中，特征工程旨在去除...

2 条评论您还未登录，请先登录后发表或查看评论

曲线分类-特征提取(一)

06-30

962

在人工智能蓬勃发展的今天，数据挖掘作为从海量数据中提取有价值信息的关键技术，已经成为企业决策和科学研究的核心工具。数据挖掘的基本概念和流程核心算法原理和数学基础实际项目中的实现方法行业应用案例分析未来发展趋势介绍数据挖掘的基本概念深入讲解核心算法和数学模型通过Python实现典型算法分析实际应用场景展望未来发展趋势数据挖掘(Data Mining)：从大规模数据中自动或半自动地提取隐含的、先前未知的、潜在有用的信息的过程。机器学习(Machine Learning)

曲线分类-特征提取（三）

#include<?>

06-21

9125

频域特征傅里叶变换傅里叶变换（Fourier transform）是一种线性积分变换，用于信号在时域（或空域）和频域之间的变换。 FFT变换是针对一组数值进行运算的，这组数的长度N是2的整数次幂时，效果和速度会更好。 https://zhuanlan.zhihu.com/p/19763358 https://www.youtube.com/watch?v=spUNpyF58BY ...

从IC曲线提取特征，采用随机森林对电池SOH进行估计

qq_51444641的博客

11-01

8707

从电池充电曲线中提取特征，利用xgboost方法对电池的SOH进行预测

识别图片中曲线并获取其坐标

哦豁灬

11-10

1万+

识别图片中曲线并获取其坐标 github主页：https://github.com/Taot-chen 有时候需要用到一些数据库里面曲线图的数据，进行进一步的变换处理，但是很多时候都只有图片，没有数据。基于这个问题，给出了以下算法。思路： 1）通过图像算法中常用的边界识别的方法来识别曲线； 2）根据曲线上每一点的像素坐标和坐标轴的数值范围，来计算曲线上每一个像素点在坐标轴中的像素坐标。实现过程：一、曲线识别 1）图片预处理思路：将待处理的图像转换成灰度图，在转换成二值图像；対二值图像的每一

LabVIEW从测试曲线中提取特征值

bjcyck的博客

07-07

1043

确保你能够有效地采集和处理测试曲线数据。这可能涉及使用DAQ模块或其他数据采集设备来获取曲线数据，并在LabVIEW中进行处理和分析。在开发LabVIEW应用程序时，选择合适的特征提取算法至关重要，特别是在处理测试曲线等数据时。特征值提取算法的选择应基于你的具体应用需求和数据特性。：如均值、方差、偏度和峰度等。这些统计特征能够描述数据的中心趋势、分布形状以及数据集的稳定性和变异性。在LabVIEW中，你可以通过简单的统计函数（如Mean、Variance等）快速计算这些特征。：如傅里叶变换及其变种。

直线提取 c++_学术交流一种改进的曲线特征点提取方法

weixin_28911221的博客

01-28

1231

↑点击上方「中国测绘学会」可快速关注我们摘要：为针对传统曲线特征点的提取方法均采用Douglas-Peucher(D-P)算法给定阈值的思路，在曲度较大处易造成一些重要特征点缺失，在弯曲的水平距离较小处易造成非特征点保留的问题，该文提出一种改进的曲线特征点提取方法，通过自适应来提取曲线的全局特征点，即通过标准差分别计算出间隔点连线的参考值和中间点到该线垂线的参考值，比较曲线上每个点的...

feature-selection.rar_feature selection_图像孤立点_提取图像曲线_曲线特征提取_特征 m

07-14

在这个特定的压缩包文件“feature-selection.rar”中，我们关注的是特征选择与图像处理相关的技术，特别是图像孤立点的检测、图像曲线的提取以及曲线特征的提取。首先，我们要理解图像孤立点的概念。孤立点是图像...

matlab.rar_卫星特征提取_提取曲线matlab_曲线纹理特征_直线提取

09-23

"曲线纹理特征"的提取可能涉及到纹理分析方法，如局部二值模式（LBP）、灰度共生矩阵（GLCM）或Gabor滤波器。这些方法可以捕捉图像中的纹理细节，例如纹理的方向、强度和频率。在MATLAB中，可以通过自定义函数或者...

实习生的监控算法: 利用机器学习方法进行曲线分类

codebay118的博客

05-21

8323

各位老司机晚上好啊，上篇文章主要采用了Frechet Distance进行曲线分类，这篇文章主要采用机器学习的方法来实现曲线分类，基本思路是对训练集先用聚类方法(如Kmeans和Birch等进行聚类，对数据打上标签)，然后在对测试集采用分类方法(决策树，KNN等)进行分类，决定测试集中曲线的类别，实现曲线较为准确的分类。主要内容包括数据处理，聚类分类算法讨论和结果分析。一. 数据处理首先是

opencv:特征检测与提取——SIFT and SURF

cv_pyer的博客

05-06

1940

一：前言特征检测是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。在opencv中，我们常用的特征检测算法有SIFT，SURF以及HOG，LBP，Haar特征检测等等，下面我们将分别介绍这几个算法。篇幅有点长，我尽量每个地方都能说到，有错误...

图片中提取曲线的办法

little_baby2的博客

06-29

1万+

介绍背景文章中的图片上有多个曲线，数据已经丢失，想要图片上的一个周期的数据。这个图片分两种： 1，已经转化成图片了，图片格式的，没办法，只能一步步解决。 2，另一种从别的软件里拷贝出来直接粘贴到word中，还未转化成图片的图片。未转成图片的曲线提取一般直接拷贝过来到word中，是从matlab中得到的，或者origin，等软件中。但是插入到word中后，matlab图像无法在返回到matlab编辑，而origin图像还可以返回修改。对于不能转化的matlab图像，有一个特别方便的办法。选中，复制，

三维建模之曲面的数学模型

因为喜欢，所以坚持。

07-05

4321

曲面是空间具有两个自由度的点的轨迹，常见的有平面、旋转面和二次曲面。二次曲面指任何N维的超曲面，其定义为多元二次方程的解的轨迹。曲线-曲面的结构特征 1，曲线的结构特征曲线可看作是一个点在空间连续运动的轨迹。按点的运动轨迹是否在同一平面，曲线可分为平面曲线和空间曲线；按点的运动有无一定规律，曲线又可分为规则曲线和不规则曲线。因为曲线是点的集合，所以画出曲线上的一系列点的投影，并将各点的同面投影依次光滑连接，得到该曲线的投影，这是绘制曲线投影的一般方法。若能画出曲线上一些特殊的点，如

1D-CNN提取曲线图特征

06-24

### 使用1D-CNN提取曲线图特征的方法 1D-CNN（一维卷积神经网络）是一种专门用于处理一维数据（如时间序列、信号等）的深度学习模型。通过卷积操作，1D-CNN可以从输入数据中提取局部特征，并利用这些特征进行分类或预测任务。以下是一个使用1D-CNN提取曲线图特征的完整实现方法[^1]。 #### 数据准备在训练1D-CNN之前，需要将曲线图转换为适合模型输入的格式。假设曲线图由一系列点组成，每个点对应一个时间步长和一个值，则可以将这些点组织成一个形状为 `[batch_size, seq_len, input_size]` 的张量，其中： - `batch_size` 是批量大小。 - `seq_len` 是时间序列的长度。 - `input_size` 是每个时间步长的特征维度。 ```python import numpy as np import torch import torch.nn as nn import torch.optim as optim # 示例：生成随机曲线图数据 np.random.seed(42) data = np.random.randn(100, 50, 1) # 100个样本，每个样本有50个时间步长，每个时间步长有1个特征 labels = np.random.randint(0, 2, size=(100,)) # 假设有两类标签 ``` #### 模型定义下面是一个简单的1D-CNN模型定义，包含卷积层、池化层和全连接层。 ```python class CNN1D(nn.Module): def __init__(self, input_size, num_classes): super(CNN1D, self).__init__() self.conv1 = nn.Conv1d(in_channels=input_size, out_channels=16, kernel_size=3, stride=1, padding=1) self.relu = nn.ReLU() self.pool = nn.MaxPool1d(kernel_size=2, stride=2) self.fc = nn.Linear(16 * 25, num_classes) # 根据卷积和池化后的输出调整线性层输入 def forward(self, x): x = self.conv1(x) # 卷积操作 x = self.relu(x) # 激活函数 x = self.pool(x) # 池化操作 x = x.view(x.size(0), -1) # 展平 x = self.fc(x) # 全连接层 return x # 初始化模型 model = CNN1D(input_size=1, num_classes=2) ``` #### 训练过程使用交叉熵损失函数和Adam优化器对模型进行训练。 ```python # 转换为PyTorch张量 data_tensor = torch.tensor(data, dtype=torch.float32).permute(0, 2, 1) # 调整维度以适应卷积层 [batch_size, input_size, seq_len] labels_tensor = torch.tensor(labels, dtype=torch.long) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练循环 epochs = 10 for epoch in range(epochs): optimizer.zero_grad() # 清零梯度 outputs = model(data_tensor) # 前向传播 loss = criterion(outputs, labels_tensor) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}') ``` #### 特征提取 如果仅希望提取特征而不进行分类，可以在卷积层后停止计算，并保存中间结果。 ```python def extract_features(model, data_tensor): with torch.no_grad(): x = model.conv1(data_tensor) x = model.relu(x) x = model.pool(x) x = x.view(x.size(0), -1) return x.numpy() features = extract_features(model, data_tensor) print("提取的特征形状:", features.shape) ``` ### 注意事项 - 在实际应用中，可能需要根据具体问题调整卷积核大小、步幅、填充方式等超参数[^2]。 - 如果曲线图数据较为复杂，可以考虑增加卷积层数量或引入残差连接[^3]。 - 对于大规模数据集，建议使用GPU加速训练过程。