mdwtcluster

Мультисигнализирует о 1D кластеризации

    Описание

    s = mdwtcluster(x) данные о кластерах с помощью иерархической кластеризации. Входная матрица x анализируется в направлении строки с помощью дискретного вейвлета преобразовывает (DWT) с вейвлетом Хаара и максимальным допустимым уровнем fix(log2(size(x,2))).

    Примечание

    mdwtcluster требует Statistics and Machine Learning Toolbox™.

    пример

    s = mdwtcluster(___,Name,Value) задает аргументы пары "имя-значение" использования опций в дополнение к входному параметру в предыдущем синтаксисе. Например, 'level',4 задает уровень разложения.

    Примеры

    свернуть все

    Загрузите 1D elecsig10 мультисигнала.

    load elecsig10

    Вычислите структуру, следующую из кластеризации мультисигнала.

    lst2clu = {'s','ca1','ca3','ca6'};
    S = mdwtcluster(signals,'maxclust',4,'lst2clu',lst2clu)
    S = struct with fields:
        IdxCLU: [70x4 double]
        Incons: [69x4 double]
          Corr: [0.7920 0.7926 0.7947 0.7631]
    
    

    Получите кластерные индексы.

    IdxCLU = S.IdxCLU;

    Постройте первые и третьи кластеры.

    plot(signals(IdxCLU(:,1)==1,:)','r')
    hold on
    plot(signals(IdxCLU(:,1)==3,:)','b')
    hold off
    title('Cluster 1 (Signal) and Cluster 3 (Coefficients)')

    Figure contains an axes. The axes with title Cluster 1 (Signal) and Cluster 3 (Coefficients) contains 29 objects of type line.

    Проверяйте равенство разделов. Подтвердите, что мы получаем те же разделы с помощью коэффициентов приближения на уровне 3 вместо исходных сигналов. Намного меньше информации затем используется.

    equalPART = isequal(IdxCLU(:,1),IdxCLU(:,3))
    equalPART = logical
       1
    
    

    Входные параметры

    свернуть все

    Входные данные в виде матрицы.

    Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

    Аргументы в виде пар имя-значение

    Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

    Пример: s = mdwtcluster(signals,'maxclust',4,'wname','db4') задает четыре кластера и вейвлет db4.

    Направление разложения в виде 'r' (строка) или 'c' (столбец).

    Уровень разложения DWT в виде положительного целого числа. Значением по умолчанию является фиксация (log2 (размер (xD, где d=1 или d=2, В зависимости от dirDec значение.

    Вейвлет, используемый для DWT в виде вектора символов или строкового скаляра. Значением по умолчанию является вейвлет Хаара, 'haar'.

    Режим расширения DWT в виде вектора символов или строкового скаляра. Смотрите dwtmode.

    Метрика расстояния в виде вектора символов, строкового скаляра или указателя на функцию. Значением по умолчанию является 'euclidean'. Смотрите pdist (Statistics and Machine Learning Toolbox).

    Алгоритм для вычисления расстояния между кластерами в виде одного из значений в этой таблице.

    МетодОписание
    'average'

    Невзвешенное среднее расстояние (UPGMA)

    'centroid'

    Центроидное расстояние (UPGMC), подходящий для Евклидовых расстояний только

    'complete'

    Самое дальнее расстояние

    'median'

    Взвешенный центр массового расстояния (WPGMC), подходящий для Евклидовых расстояний только

    'single'

    Кратчайшее расстояние

    'ward'

    Внутренний квадрат расстояния (минимальный алгоритм отклонения), подходящий для Евклидовых расстояний только

    'weighted'

    Средневзвешенное расстояние (WPGMA)

    Смотрите linkage (Statistics and Machine Learning Toolbox).

    Количество кластеров в виде целого числа или вектора.

    Массив ячеек из символьных векторов или вектор строки, который содержит список данных, чтобы классифицировать. Если N является уровнем разложения, позволенные значения имени для ячеек:

    • 's' — Сигнал

    • 'aj' — Приближение на уровне j

    • 'dj' — Детализируйте на уровне j

    • 'caj' — Коэффициенты приближения на уровне j

    • 'cdj' — Коэффициенты детали на уровне j

    с j = 1, …, N.

    Значением по умолчанию является {'s';'ca1';...;'caN'} или ["s" "cal" ... "caN"].

    Выходные аргументы

    свернуть все

    Структура output s таково что для каждого раздела j:

    S.Idx(:,j)

    Содержит кластерные числа, полученные из иерархического кластерного дерева. Смотрите cluster (Statistics and Machine Learning Toolbox).

    S.Incons(:,j)

    Содержит противоречивые значения каждого узла, не являющегося листом в иерархическом кластерном дереве. Смотрите inconsistent (Statistics and Machine Learning Toolbox).

    S.Corr(j)

    Содержит cophenetic коэффициенты корреляции раздела. Смотрите cophenet (Statistics and Machine Learning Toolbox).

    Примечание

    Если maxclust вектор, затем IdxCLU многомерный массив, таким образом что IdxCLU(:,j,k) содержит кластерные числа, полученные из иерархического кластерного дерева для кластеров k.

    Смотрите также

    |

    Введенный в R2008a
    Для просмотра документации необходимо авторизоваться на сайте