Python TsFresh特征的Java实现——cwt_coefficients

TsFresh(TimeSeries Fresh)是一个Python第三方工具包。它可以方便地对时间序列数据进行处理,获得大量的特征。这些特征可以用以训练分类器,以高效地实现对时间序列数据的分类、识别等。然而,在工程实现时,更多地是采用Java等语言,这需要利用Java实现对TsFresh的特征进行直接计算,故需要对TsFresh的某些特征进行深入地分析,并在Java语言下实现。

特征cwt_coefficients简介

命令格式:cwt_coefficients(x, param)

计算基于Ricker小波(墨西哥草帽)

\frac{2}{\sqrt{3a} \pi^{\frac{1}{4}}} (1 - \frac{x^2}{a^2}) exp(-\frac{x^2}{2a^2})

的连续小波变换,并根据参数字典param中的w与coeff选择出相应的行与列的特征值。

参数

  • x:时间序列,数据类型:numpy.ndarray
  • param:参数字典:{"widths": o, "coeff": p, "w": q},其中,o为整数数组,表示小波变换时先用的宽度值,q为整数,表示输出系数所反映的宽度,p为整数,为特定小波宽度下的系数索引值

特征cwt_coefficients计算原理

  1. 根据宽度参数的10倍及时间序列长度的最小值设置Richer小波的长度,并产生具有该长度的呈中心对称的Richer小波序列
  2. 将时间序列x与Richer小波序列进行线性卷积,并删除前后各一半的小波序列长度,使得输出的卷积数据长度与输入序列长度一致
  3. 根据宽度参数w及参数Coeff,选择小波序列中的相应数据作为特征输出

Java实现

本特征在实现过程中,有几个问题需要注意:

      1. 生成Richer小波时,需要注意小波的中心在序列的中心

      2. 小波变换中所涉及的卷积运算是采用相关运算来替代的,卷积运算

(a * v)[n] = \sum_{m = -\infty}^{\infty} a[m] v[n - m]

而相关运算

c_{av}[k] = \sum_n a[n+k] \cdot v^*[n]

显然,在两个公式中,第二个序列v的排序是相反的,因此,采用相关运算处理卷积时,首先需要将序列v进行反序。反序的操作为:

	public static double[] reverse(double[] a) {
		double[] b=a;
		for(int start=0,end=b.length-1;start<end;start++,end--) {
			double temp=b[start];
			b[start]=b[end];
			b[end]=temp;
		}
		return b;
	}

      3. 生成的小波变换后的数据序列,将选择索引值为Coeff的数据作为特征输出

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
时间序列信号处理中的小波变换是通过对信号进行尺度变换和平移变换来提取信号的特征。小波变换与傅里叶变换不同,它有两个变量:尺度a和平移量b。尺度a控制小波函数的伸缩,平移量b控制小波函数的平移。小波变换是一种自适应的三角波,可以更好地适应信号的变换并提取特征。对于突变信号,小波变换相比傅里叶变换能够更好地处理,因为傅里叶变换需要使用大量的三角波去拟合信号,导致计算复杂并降低信号特征提取效果。 在Python中,可以使用PyWavelets库来实现小波变换。通过安装pycwt库可以实现小波变换的功能。然后,可以使用该库提供的函数进行小波变换的计算。下面是一个小波变换的Python示例代码: ```python import numpy as np import pywt import matplotlib.pyplot as plt # 定义信号 sampling_rate = 1024 t = np.arange(0, 1.0, 1.0 / sampling_rate) f1 = 100 f2 = 200 f3 = 300 f4 = 400 data = np.piecewise(t, [t < 1, t < 0.8, t < 0.5, t < 0.3], [lambda t: 400 * np.sin(2 * np.pi * f4 * t), lambda t: 300 * np.sin(2 * np.pi * f3 * t), lambda t: 200 * np.sin(2 * np.pi * f2 * t), lambda t: 100 * np.sin(2 * np.pi * f1 * t)]) # 进行小波变换 wavename = 'cgau8' totalscal = 256 fc = pywt.central_frequency(w***ename) cparam = 2 * fc * totalscal scales = cparam / np.arange(totalscal, 1, -1) [cwtmatr, frequencies = pywt.cwt(data, scales, wavename, 1.0 / sampling_rate) # 绘制结果 plt.figure(figsize=(8, 4)) plt.subplot(211) plt.plot(t, data) plt.xlabel("t(s)") plt.title('shipinpu', fontsize=20) plt.subplot(212) plt.contourf(t, frequencies, abs(cwtmatr)) plt.ylabel(u"prinv(Hz)") plt.xlabel(u"t(s)") plt.subplots_adjust(hspace=0.4) plt.show() #### 引用[.reference_title] - *1* *2* [时间序列信号处理(五)&mdash;&mdash;小波变换python实现](https://blog.csdn.net/abc1234abcdefg/article/details/123517320)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [一、Python时间序列小波分析&mdash;&mdash;实例分析](https://blog.csdn.net/weixin_48030475/article/details/129070265)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

带着地球去浪一浪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值