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
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