傅里叶变换主要适用于对均匀的周期性信号进行分析,Lomb-Scargle可以对非均匀采样信号做频谱分析。
Lomb-Scargle谱的分析:
懒得打公式,定义看如下的论文
Ref:http://www.doc88.com/p-6981572750880.html
1. 首先LS谱有两组基,sin和cos。
2. 其次两组基根据时域data的偏离进行了归一化。
3. 谱的点数根据独立频率的个数而确定,独立频率的个数根据Monte Carlo的分析来确定。
4. 分析的时候有两个图,一个是频点图,一个是置信度图,频点对应的最高值置信度如果很高,说明没有周期性,如果很低,这说明具有周期性。
5. 给的示例是分析GDP的拟合偏差。拟合之后的波动具有均匀波动的特征。
分析:不仅可以用来分析序列的周期性,还可以用来分析序列进行拟合之后是否具有周期性特征。
稀疏字典:
Ref: https://blog.csdn.net/m0_37407756/article/details/68059453
Ref: https://blog.csdn.net/ranjiewen/article/details/52595614
如果用另外一种看法来看待FFT、WT,可以把其看做基的加权组合,加权量包括三个,一个是频率,一个是相位,一个是幅度,分别控制了尺度变换和幅度变化。基是最基准的特征,就像0和1一样,作为基准规则。
稀疏字典提供了一种方式,就是自己找出这种规则,然后用这种规则进行分析,从而还原复杂的样本。
南大周志华老师写的《机器学习》这本书上原文:为普通稠密表达的样本找到合适的字典,将样本转化为合适的稀疏表达形式,从而使学习任务得以简化,模型复杂度得以降低,通常称为‘字典学习’(dictionary learning),亦称‘稀疏编码’(sparse coding)”块内容。
也就相当于小波变换中,你找到合适的小波基,用对应的小波基进行分解,就等同于稀疏化。
字典分两种,一种是隐性字典,implicit dictionary,这种主要是由它们的算法表现出来的,而不是矩阵结构,比如wavelet,curvelet,contourlet,等等。另一种是通过机器学习来从样本中获取字典,这种字典表现为一种显性矩阵,explicit matrix,而算法是用来适应矩阵的,比如PCA,GPCA,MOD,K-SVD等等,这种字典的好处在于比前一种灵活,表现也好,坏处就是耗费时间和运算资源,另外复杂的约束限制了字典的大小以及需要处理的信号的维度(所以论文提出的这个算法最后用3D图像去噪来表现优越性)。