mdwtcluster

Мультисигналы 1-D кластеризация

Свернуть все на странице

    Синтаксис

    s = mdwtcluster(x)
    s = mdwtcluster(___,Name,Value)

    Описание

    s = mdwtcluster(x) кластеризует данные с помощью иерархической кластеризации. Матрица входа x разложен в направлении строки с помощью дискретного вейвлет-преобразования (DWT) с вейвлетом Haar и максимально допустимым уровнем fix(log2(size(x,2))).

    Примечание

    mdwtcluster требует Statistics and Machine Learning Toolbox™.

    пример

    s = mdwtcluster(___,Name,Value) задает опции, использующие аргументы пары "имя-значение" в сложение к входному параметру в предыдущем синтаксисе. Для примера, 'level',4 задает уровень разложения.

    Примеры

    свернуть все

    Открыть Live Script

    Загрузите 1-D multisignal elecsig10.

    load elecsig10

    Вычислите структуру, полученную из 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]

    Получите индексы кластеров.

    IdxCLU = S.IdxCLU;

    Постройте график первого и третьего кластеров.

    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 разбиения, используя коэффициенты приближения на уровне 3 вместо исходных сигналов. Тогда используется гораздо меньше информации.

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

    Входные параметры

    свернуть все

    Входные данные, заданные как матрица.

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

    Аргументы в виде пар имя-значение

    Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

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

    Направление разложения, заданное как 'r' (строка) или 'c' (столбец).

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

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

    Режим расширения DWT, заданный как вектор символов или строковый скаляр. Посмотрите dwtmode.

    Метрика расстояния, заданная как вектор символов, строковый скаляр или указатель на функцию. Значение по умолчанию 'euclidean'. Посмотрите pdist (Statistics and Machine Learning Toolbox).

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

    МетодОписание
    'average'

    Невзвешенное среднее расстояние (UPGMA)

    'centroid'

    Расстояние центроида (UPGMC), соответствующее только евклидовым расстояниям

    'complete'

    Самое дальнее расстояние

    'median'

    Взвешенное расстояние по центру масс (WPGMC), соответствующее только евклидовым расстояниям

    'single'

    Кратчайшее расстояние

    'ward'

    Внутреннее квадратное расстояние (алгоритм минимального отклонения), соответствующее только евклидовым расстояниям

    'weighted'

    Средневзвешенное расстояние (WPGMA)

    Посмотрите linkage (Statistics and Machine Learning Toolbox).

    Количество кластеров, заданное в виде целого числа или вектора.

    Массив ячеек из символьных векторов или строкового вектора, который содержит список данных для классификации. Если N является уровнем разложения, допустимые значения имен для камер:

    • 's' - Сигнал

    • 'aj' - Приближение на уровне j

    • 'dj' - Детализация на уровне j

    • 'caj' - Коэффициенты приближения 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

    Область структуры output s является таким, что для каждого раздела j:

    S.Idx(:,j)

    Содержит номера кластеров, полученные из иерархического дерева кластеров. Посмотрите cluster (Statistics and Machine Learning Toolbox).

    S.Incons(:,j)

    Содержит несогласованные значения каждого не-листового узла в иерархическом дереве кластера. Посмотрите inconsistent (Statistics and Machine Learning Toolbox).

    S.Corr(j)

    Содержит кофенетические коэффициенты корреляции разбиения. Посмотрите cophenet (Statistics and Machine Learning Toolbox).

    Примечание

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

    См. также

    |

    Введенный в R2008a

    Документация по Wavelet Toolbox

    Поддержка

    Для просмотра документации необходимо авторизоваться на сайте