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）

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

而相关运算

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