Exponenta Banner
exponenta event banner

mdwtcluster

Мультисигналы 1-D кластеризация

свернуть все на странице

    Синтаксис

    s = mdwtcluster (x)
    s = mdwtcluster (___, имя, значение)

    Описание

    s = mdwtcluster(x) кластеров данных с использованием иерархической кластеризации. Входная матрица x разлагается в направлении строки с использованием дискретного вейвлет-преобразования (DWT) с вейвлетом Хаара и максимально допустимым уровнем fix(log2(size(x,2))).

    Примечание

    mdwtcluster требуются Toolbox™ статистики и машинного обучения.

    пример

    s = mdwtcluster(___,Name,Value) указывает параметры, использующие аргументы пары имя-значение в дополнение к входному аргументу в предыдущем синтаксисе. Например, 'level',4 определяет уровень разложения.

    Примеры

    свернуть все

    Открыть сценарий в реальном времени

    Загрузить мультисигнал 1-D elecsig10.

    load elecsig10

    Вычислите структуру, полученную в результате мультисигнальной кластеризации.

    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]

    Получение индексов кластера.

    IdxCLU = S.IdxCLU;

    Постройте первый и третий 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.

    Проверьте равенство разделов. Подтвердите, что мы получаем те же секции, используя коэффициенты аппроксимации на уровне 3 вместо исходных сигналов. Затем используется гораздо меньше информации.

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

    Входные аргументы

    свернуть все

    Входные данные, указанные как матрица.

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

    Аргументы пары «имя-значение»

    Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

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

    Направление разложения, указанное как 'r' (строка) или 'c' (колонка).

    Уровень разложения DWT, заданный как положительное целое число. Значение по умолчанию: fix(log2(size(x,d))), где d=1 или d=2, в зависимости от dirDec значение.

    Вейвлет, используемый для DWT, указывается как вектор символа или строковый скаляр. Значением по умолчанию является вейвлет Хаара, 'haar'.

    Режим расширения DWT, заданный как вектор символа или скаляр строки. Посмотрите dwtmode.

    Метрика расстояния, заданная как вектор символа, скаляр строки или дескриптор функции. Значение по умолчанию: 'euclidean'. Посмотрите pdist (Статистика и инструментарий машинного обучения).

    Алгоритм вычисления расстояния между кластерами, указанный как одно из значений в этой таблице.

    МетодОписание
    'average'

    Невзвешенное среднее расстояние (UPGMA)

    'centroid'

    Центроидное расстояние (UPGMC), подходящее только для евклидовых расстояний

    'complete'

    Самое дальнее расстояние

    'median'

    Взвешенное расстояние от центра масс (WPGMC), подходящее только для евклидовых расстояний

    'single'

    Кратчайшее расстояние

    'ward'

    Внутреннее квадратичное расстояние (алгоритм минимальной дисперсии), соответствующее только евклидовым расстояниям

    'weighted'

    Средневзвешенное расстояние (WPGMA)

    Посмотрите linkage (Статистика и инструментарий машинного обучения).

    Число кластеров, указанное как целое число или вектор.

    Массив ячеек символьных векторов или строкового вектора, который содержит список данных для классификации. Если N - уровень разложения, допустимые значения имен для ячеек:

    • 's' - Сигнал

    • 'aj' - Приближение на уровне j

    • 'dj' - Детали на уровне j

    • 'caj' - Коэффициенты аппроксимации на уровне j

    • 'cdj' - Коэффициенты детализации на уровне j

    с j = 1, …, N.

    Значение по умолчанию: {'s';'ca1';...;'caN'} или ["s" "cal" ... "caN"].

    Выходные аргументы

    свернуть все

    Структура вывода s является таким, что для каждого раздела j:

    S.Idx(:,j)

    Содержит номера кластеров, полученные из иерархического дерева кластеров. Посмотрите cluster (Статистика и инструментарий машинного обучения).

    S.Incons(:,j)

    Содержит противоречивые значения каждого нелистового узла в иерархическом дереве кластера. Посмотрите inconsistent (Статистика и инструментарий машинного обучения).

    S.Corr(j)

    Содержит кофенетические коэффициенты корреляции разбиения. Посмотрите cophenet (Статистика и инструментарий машинного обучения).

    Примечание

    Если maxclust является вектором, то IdxCLU является многомерным массивом, таким, что IdxCLU(:,j,k) содержит номера кластеров, полученные из иерархического дерева кластеров для k кластеров.

    См. также

    |

    Представлен в R2008a

    Документация инструментария вейвлет

    Поддержка