Tepe algılama yaklaşımı

Var olan en yüksek algılama algoritmaları nelerdir? Gürültülü verilerim var ve bu veriler için en yüksek algılamayı uygulamak istiyorum. Veri ters, aslında altını belirlemeye çalışıyorum.

İşte Excel'de verilerin bir anlık. Her iki tabanı da tespit etmeyi seviyorum. Verileri alçak geçiren bir filtreden geçirmeyi düşündüm ve ardından zirveleri belirlediğim hareketli bir ortalama yaptım ve hareketli ortalama içinde başka bir arama yapıyorum. Sıfır DSP geçmişim var; bu sadece bir sağduyu yaklaşımıdır. Uzmanların önerilerini duymak isterim.

Ktuncer, burada kullanabileceğiniz birkaç yöntem var. Tavsiye edebileceğim bir yöntem, bir Ayrık Dalgacık Dönüşümü, (DWT) kullanmak ve özellikle Daubechies Dalgacıkına bakmak . Daub-14 / Daub-Tetra'yı seçerdim.

Temel olarak yapmanız gereken şey sinyalinizi 'trendize etmek' ve ardından oradan bir minimum veya maksimum seçim yapmaktır. Bu aykırı olanlardan kurtulacak. Bir daub-14 / daub-tetra dalgacık dönüşümü bunu yapmanıza yardımcı olabilir ve bu özellikle sinyalinizin yapısını bilmediğiniz için yardımcı olur. (Daub-14'ü kullanarak, derece 14/2 = 7 dereceli polinom sinyallerini doğru bir şekilde temsil edebilirsiniz ve bundan daha fazlasına ihtiyacınız olmayacak gibi görünüyor).

Bu dalgacık dönüşümünün hesaplanması temel olarak enerjinizi birkaç göstergeye “sıkıştırır”. Bu göstergeler temel vektörler üzerindeki ağırlıkları temsil eder. Ağırlıkların geri kalanı (ideal olarak) sıfıra yakın olacaktır. Sinyalinizde gürültü olduğunda (yaptığınız gibi), normalde sıfır olan ağırlıklar şimdi biraz ağırlığa sahiptir, ancak basitçe onları sıfırlayabilir ve sinyalinizi 'kınayabilir'. Bu tamamlandığında, basit bir maks / dak algılama gerçekleştirebilirsiniz.

Daha fazla ayrıntı var, nasıl uygulanacağını tartışmak isterseniz bana bir e-posta gönderebilirsiniz. Bu konuda benzer işler daha önce de yaptım.

EDIT: İşte Daub-Tetra Denoiser'i gösteren bazı görüntüler:

Uzman olmaktan çok uzağım, ama işte yapacağım şey:

Dalgalanmalarla üst üste gelen yavaşça değişen bir sinyaliniz var gibi görünüyor. Aradığınız zirveler bazı güçlü dalgalanmalardır, bu yüzden onları kullanarak tespit ederim.

1. $X(T)$$Y(t)$

2. $X-Y$$\sigma$$X-Y$

3. $|(X-Y)(t)| > \alpha \times \sigma$$\alpha$

Bir aşındırma veya bir aşınma, mutlak değer çıkarılarak ve uygun test kullanılarak özel olarak algılanabilir. Aradığınız şey bu mu?

Pik algılama, 1 boyutlu veya çok boyutlu sinyaller için oldukça az sayıda uygulamaya sahiptir. İşte bu sinyallerin ne kadar çeşitli olduğunu ve bir zirve yorumlarının nasıl olabileceğini gösteren birkaç örnek

• Orijinal posterin 1 boyutlu verileri;

• Bir görüntünün Hough dönüşümü, her tepe noktası orijinal görüntüdeki bir çizgiye karşılık gelir;

• bir görüntünün oto-korelasyonu, her tepe noktası bir "periyodik düzen" ortaya koyan bir frekansa karşılık gelir;

• Bir görüntünün ve bir şablonun "genelleştirilmiş" çapraz korelasyonu, her tepe noktası görüntüdeki şablonun bir oluşumuna karşılık gelir (sadece en iyi tepe veya birkaç tepe noktasını tespit etmekle ilgilenebiliriz);

• Bir görüntüyü Harris köşeleri için filtreleme sonucu, her tepe noktası orijinal görüntüdeki bir köşeye karşılık gelir.

Bunlar karşılaştığım zirvelerin tanımları ve tespit teknikleridir - kesinlikle ya unuttuğum ya da bilmediğim başkaları da var ve umarım diğer cevaplar da bunları içerecektir.

Ön işleme teknikleri düzleştirme ve denoising içerir. @ Muhammed'in cevabı dalgacıklarla ilgili ve bunların çeşitli kullanımlarını Mathematica'nın WaveletThreshold belgesinde görebilirsiniz (bu arada örneklerimi de aldım).

Sonra Maxima'yı ararsın. Uygulamanıza bağlı olarak, yalnızca genel maksimaya (örneğin, görüntü kaydı), birkaç yerel maksimaya (örn. Satır tespiti) veya birçok yerel maksimaya (temel nokta tespiti) ihtiyaç duyarsınız: Bu, veride en yüksek değeri arayan, yinelemeli olarak yapılabilir daha sonra kalan en yüksek değer bir eşiğin altında oluncaya kadar seçilen tepe noktası etrafındaki bir bölgeyi silmek. Alternatif olarak, yerel maksimayı belirli bir mahalle boyutunda arayabilir ve yalnızca değerleri bir eşiğin üstünde olan yerel maksimaları tutabilirsiniz - bazıları, yerel maksimayı, yerel maksimenin geri kalanına olan mesafelerine bağlı olarak tutmanızı önerir (diğer daha iyi). Cephanelik ayrıca morfolojik işlemlere de sahiptir: Genişletilmiş maksimum ve üst şapka dönüşümü her ikisi de uygun olabilir.

Harris köşeleri için filtrelenmiş bir resimdeki bu tekniklerden üçünün sonuçlarını görün:

Ayrıca, bazı uygulamalar piksel altı çözünürlükte tepe noktaları bulmaya çalışır. Uygulamaya özel olabilen enterpolasyon kullanışlı olur.

Bildiğim kadarıyla, gümüş kurşun yok ve veriler hangi tekniklerin en iyi sonucu verdiğini söyleyecek.

Daha fazla cevap almak gerçekten güzel olacak, esp. diğer disiplinlerden geliyor.

Bir tipik tepe noktası belirleme algoritması burada bu gibi düşünmek refolup peak(bottom).

for i=1,N   {
       if i=1   {  ref＝data(i)　｝
       else ｛ if　data(i)＜＝ref　｛ref ＝data(i) ｝｝
}