다음 4 가지 파형 신호를 고려하십시오.
signal1 = [4.1880 11.5270 55.8612 110.6730 146.2967 145.4113 104.1815 60.1679 14.3949 -53.7558 -72.6384 -88.0250 -98.4607]
signal2 = [ -39.6966 44.8127 95.0896 145.4097 144.5878 95.5007 61.0545 47.2886 28.1277 -40.9720 -53.6246 -63.4821 -72.3029 -74.8313 -77.8124]
signal3 = [-225.5691 -192.8458 -145.6628 151.0867 172.0412 172.5784 164.2109 160.3817 164.5383 171.8134 178.3905 180.8994 172.1375 149.2719 -51.9629 -148.1348 -150.4799 -149.6639]
signal4 = [ -218.5187 -211.5729 -181.9739 -144.8084 127.3846 162.9755 162.6934 150.8078 145.8774 156.9846 175.2362 188.0448 189.4951 175.9540 147.4631 -89.9513 -154.1579 -151.0851]
신호 1과 2는 비슷해 보이고 신호 3과 4는 비슷해 보입니다.
입력 n 신호로 가져 와서 각 그룹 내의 신호가 유사한 m 개의 그룹으로 나누는 알고리즘을 찾고 있습니다.
이러한 알고리즘의 첫 번째 단계는 일반적으로 각 신호에 대한 특징 벡터 를 계산하는 것입니다 : .
예를 들어, 특징 벡터를 다음과 같이 정의 할 수 있습니다 : [width, max, max-min]. 이 경우 다음과 같은 특징 벡터를 얻게됩니다.
특징 벡터를 결정할 때 중요한 것은 유사한 신호가 서로 가까운 특징 벡터를 얻고 다른 신호는 멀리 떨어진 특징 벡터를 얻는다는 것입니다.
위의 예에서 우리는 다음을 얻습니다.
따라서 신호 2가 신호 3보다 신호 1과 훨씬 더 유사하다는 결론을 내릴 수 있습니다.
특징 벡터로서 신호의 이산 코사인 변환의 항을 사용할 수도 있습니다. 아래 그림은 이산 코사인 변환에서 처음 5 개의 항에 의해 신호의 근사와 함께 신호를 보여줍니다.
이 경우 이산 코사인 계수는 다음과 같습니다.
F1 = [94.2496 192.7706 -211.4520 -82.8782 11.2105]
F2 = [61.7481 230.3206 -114.1549 -129.2138 -65.9035]
F3 = [182.2051 18.6785 -595.3893 -46.9929 -236.3459]
F4 = [148.6924 -171.0035 -593.7428 16.8965 -223.8754]
이 경우 다음을 얻습니다.
이 비율은 위의 간단한 특징 벡터만큼 크지 않습니다. 이것이 더 간단한 특징 벡터가 더 낫다는 것을 의미합니까?
지금까지 2 개의 파형 만 표시했습니다. 아래 그림은 그러한 알고리즘에 입력되는 다른 파형을 보여줍니다. 이 플롯의 각 피크에서 피크 왼쪽에서 가장 가까운 최소값에서 시작하여 피크 오른쪽에서 가장 가까운 최소값에서 신호가 추출됩니다.
예를 들어 signal3은 샘플 217과 234 사이의이 플롯에서 추출되었습니다. Signal4는 다른 플롯에서 추출되었습니다.
궁금한 경우; 이러한 각 음모는 공간의 서로 다른 위치에서 마이크에 의한 사운드 측정에 해당합니다. 각 마이크는 동일한 신호를 수신하지만 신호의 시간이 약간 이동하여 마이크에서 마이크로 왜곡됩니다.
특징 벡터는 신호 벡터를 서로 근접한 신호와 함께 그룹화하는 k- 평균과 같은 클러스터링 알고리즘으로 전송 될 수있다.
파형 신호를 식별하는 데 유용한 기능 벡터를 설계하는 데 경험이 있거나 조언이 있습니까?
또한 어떤 클러스터링 알고리즘을 사용 하시겠습니까?
답변에 미리 감사드립니다!