深度学习技术在图像识别领域取得突破,使得相关领域研究者开始研究如何将一维数据转换成二维的图像。大家多多少少也看到过类似的研究。转换的方式大致可分为两类:时频类和时域转换类。好处是,一维数据中的关键信息可以在二维图像中充分的突出,利用深度学习技术(CNNs,Transformer,注意力网络)也可以学习到图像中的全局的相关性信息,用于故障诊断、状态识别等研究。
本期不完全整合了27种的一维数据转二维图像方法及其matlab代码,并循环自动生成图像数据集,方便后续结合深度学习网络(CNNs,Transformer,注意力网络)用于故障诊断、状态识别等研究。具体有:
时频类:
1. 梅尔频谱图Mel spectrogram
2. 短时傅里叶变换short-time Fourier transform
3. s变换S-transform
4. 魏格纳分布Wigner-Ville Distribution
5. 离散魏格纳分布Discrete Wigner-Ville Distribution
6. 希尔伯特变换Hilbert-Huang Transform
7. 连续小波变换Continuous wavelet transform
8. 实小波变换Real wavelet transform
9. 同步压缩变换Synchrosqueezing transform
10. 小波同步压缩变换wavelet synchrosqueezed transform
11. 小波二阶同步压缩变换wavelet second order synchrosqueezed transform
12. 垂直二阶同步压缩变换vertical second-order synchrosqueezing
13. 多尺度同步压缩变换Multisynchrosqueezing Transform
14. 小波多尺度同步压缩变换Wavelet Multisynchrosqueezed Transform
15. 局部最大同步压缩变换Local maximum synchrosqueezing transform
16. 时间重分配多同步压缩变换Time-reassigned Multisynchrosqueezing Transform
17. 同步提取变换Synchroextracted transform
18. 小波同步提取变换Wavelet Synchroextracted Transform
19. 暂态提取变换transient-extracting transform
20. 二阶暂态提取变换Second-order transient-extracting transform
时域转换类:
21. 格拉姆角和场Gramian angular summation field
22. 格拉姆角差场Gramian angular difference field
23. 递归图recurrence plots
24. 相对位置矩阵Relative Position Matrix
25. 对称点模式Symmetrized Dot Pattern
26. 马尔可夫转移场Markov Transition Field
27. 符号递归图Symbolic recurrence plots
02. 简要说明及结果
相关方法的理论部分在知网上已经有很多了,这里不再赘述。本期以一段信号展示样本的生成原理,可以替换各种数据集。生成原理如下:以一个滑动窗口去切分原始数据,这样形成多个样本,每个样本对应一张图像。
本期以窗口1024为例,即每个样本包含1024个点,不重叠的切分。为了节省时间,暂以自动生成了5个样本为例,展示效果。
注意:样本数据个数跟原始数据长度和窗口选择有关。