時系列グラフを処理して、次のようなパターンを検出したいと思います。
サンプルの時系列を例として使用して、ここでマークされているパターンを検出できるようにしたいと思います。
これを実現するには、どのようなAIアルゴリズム（マーチン学習手法を想定しています）を使用する必要がありますか？使用できるライブラリ（C / C ++）はありますか？
質問する
54812 次
5 に答える
60
これは、心電図データを分割するために行った小さなプロジェクトのサンプル結果です。
私のアプローチは、ベイズ回帰モデルを使用して各データポイントが前のデータポイントから予測される「自己回帰HMMの切り替え」（聞いたことがない場合はこれをグーグルで検索）でした。81個の非表示状態を作成しました。各ビート間のデータをキャプチャするためのジャンク状態と、ハートビートパターン内のさまざまな位置に対応する80個の個別の非表示状態です。パターン80の状態は、サブサンプリングされたシングルビートパターンから直接構築され、2つの遷移（自己遷移とパターン内の次の状態への遷移）がありました。パターンの最終状態は、それ自体またはジャンク状態に遷移しました。
回帰パラメーターのみを更新して、ビタビトレーニングでモデルをトレーニングしました。
ほとんどの場合、結果は適切でした。同様の構造の条件付き確率場はおそらくパフォーマンスが向上しますが、CRFのトレーニングでは、データにラベルを付けていない場合は、データセット内のパターンに手動でラベルを付ける必要があります。
編集：
ここにいくつかのPythonコードの例があります-それは完璧ではありませんが、一般的なアプローチを提供します。ビタビトレーニングではなくEMを実装しているため、少し安定している可能性があります。ecgデータセットはhttp://www.cs.ucr.edu/~eamonn/discords/ECG_data.zipからのものです
import numpy as np
import numpy.random as rnd
import matplotlib.pyplot as plt
import scipy.linalg as lin
import re
data=np.array(map(lambda l: map(float, filter(lambda x:len(x)>0,
re.split('\\s+',l))), open('chfdb_chf01_275.txt'))).T
dK=230
pattern=data[1,:dK]
data=data[1,dK:]
def create_mats(dat):
'''
create
A - an initial transition matrix
pA - pseudocounts for A
w - emission distribution regression weights
K - number of hidden states
'''
step=5 #adjust this to change the granularity of the pattern
eps=.1
dat=dat[::step]
K=len(dat)+1
A=np.zeros( (K,K) )
A[0,1]=1.
pA=np.zeros( (K,K) )
pA[0,1]=1.
for i in xrange(1,K-1):
A[i,i]=(step-1.+eps)/(step+2*eps)
A[i,i+1]=(1.+eps)/(step+2*eps)
pA[i,i]=1.
pA[i,i+1]=1.
A[-1,-1]=(step-1.+eps)/(step+2*eps)
A[-1,1]=(1.+eps)/(step+2*eps)
pA[-1,-1]=1.
pA[-1,1]=1.
w=np.ones( (K,2) , dtype=np.float)
w[0,1]=dat[0]
w[1:-1,1]=(dat[:-1]-dat[1:])/step
w[-1,1]=(dat[0]-dat[-1])/step
return A,pA,w,K
# Initialize stuff
A,pA,w,K=create_mats(pattern)
eta=10. # precision parameter for the autoregressive portion of the model
lam=.1 # precision parameter for the weights prior
N=1 #number of sequences
M=2 #number of dimensions - the second variable is for the bias term
T=len(data) #length of sequences
x=np.ones( (T+1,M) ) # sequence data (just one sequence)
x[0,1]=1
x[1:,0]=data
# Emissions
e=np.zeros( (T,K) )
# Residuals
v=np.zeros( (T,K) )
# Store the forward and backward recurrences
f=np.zeros( (T+1,K) )
fls=np.zeros( (T+1) )
f[0,0]=1
b=np.zeros( (T+1,K) )
bls=np.zeros( (T+1) )
b[-1,1:]=1./(K-1)
# Hidden states
z=np.zeros( (T+1),dtype=np.int )
# Expected hidden states
ex_k=np.zeros( (T,K) )
# Expected pairs of hidden states
ex_kk=np.zeros( (K,K) )
nkk=np.zeros( (K,K) )
def fwd(xn):
global f,e
for t in xrange(T):
f[t+1,:]=np.dot(f[t,:],A)*e[t,:]
sm=np.sum(f[t+1,:])
fls[t+1]=fls[t]+np.log(sm)
f[t+1,:]/=sm
assert f[t+1,0]==0
def bck(xn):
global b,e
for t in xrange(T-1,-1,-1):
b[t,:]=np.dot(A,b[t+1,:]*e[t,:])
sm=np.sum(b[t,:])
bls[t]=bls[t+1]+np.log(sm)
b[t,:]/=sm
def em_step(xn):
global A,w,eta
global f,b,e,v
global ex_k,ex_kk,nkk
x=xn[:-1] #current data vectors
y=xn[1:,:1] #next data vectors predicted from current
# Compute residuals
v=np.dot(x,w.T) # (N,K) <- (N,1) (N,K)
v-=y
e=np.exp(-eta/2*v**2,e)
fwd(xn)
bck(xn)
# Compute expected hidden states
for t in xrange(len(e)):
ex_k[t,:]=f[t+1,:]*b[t+1,:]
ex_k[t,:]/=np.sum(ex_k[t,:])
# Compute expected pairs of hidden states
for t in xrange(len(f)-1):
ex_kk=A*f[t,:][:,np.newaxis]*e[t,:]*b[t+1,:]
ex_kk/=np.sum(ex_kk)
nkk+=ex_kk
# max w/ respect to transition probabilities
A=pA+nkk
A/=np.sum(A,1)[:,np.newaxis]
# Solve the weighted regression problem for emissions weights
# x and y are from above
for k in xrange(K):
ex=ex_k[:,k][:,np.newaxis]
dx=np.dot(x.T,ex*x)
dy=np.dot(x.T,ex*y)
dy.shape=(2)
w[k,:]=lin.solve(dx+lam*np.eye(x.shape[1]), dy)
# Return the probability of the sequence (computed by the forward algorithm)
return fls[-1]
if __name__=='__main__':
# Run the em algorithm
for i in xrange(20):
print em_step(x)
# Get rough boundaries by taking the maximum expected hidden state for each position
r=np.arange(len(ex_k))[np.argmax(ex_k,1)<3]
# Plot
plt.plot(range(T),x[1:,0])
yr=[np.min(x[:,0]),np.max(x[:,0])]
for i in r:
plt.plot([i,i],yr,'-r')
plt.show()
于 2012-08-10T14:28:51.663 に答える
7
単純な整合フィルターを使用してみませんか？または、相互相関と呼ばれるその一般的な統計的対応物。既知のパターンx（t）と、パターンを含むノイズの多い複合時系列がa、b、...、zのようにシフトしている場合y(t) = x(t-a) + x(t-b) +...+ x(t-z) + n(t).、xとyの間の相互相関関数は、a、b、...、zにピークを与えるはずです。
于 2015-09-29T16:46:57.317 に答える
5
Wekaは機械学習ソフトウェアの強力なコレクションであり、いくつかの時系列分析ツールをサポートしていますが、最適な方法を推奨するための分野については十分に理解していません。ただし、これはJavaベースです。そして、大騒ぎせずにC /C++からJavaコードを呼び出すことができます。
時系列操作のパッケージは、主に株式市場を対象としています。コメントでクロノスを提案しました。明らかなことを超えて、それを使ってパターン認識を行う方法がわかりません。シリーズの長さの優れたモデルは、最後の小さなバンプから一定の距離にある小さなバンプの後に、大きなバンプが続くことを予測できるはずです。つまり、シリーズは自己相似性を示し、Cronosで使用されるモデルはそれをモデル化するように設計されています。
C＃を気にしない場合は、HCILの人々にTimeSearcher2のバージョンを要求する必要があります-パターン認識は、このシステムでは、パターンがどのように見えるかを描画し、モデルがほとんどのインスタンスをキャプチャするのに十分一般的であるかどうかを確認します偽陽性率が低い。おそらくあなたが見つける最もユーザーフレンドリーなアプローチ。他のすべては、統計またはパターン認識戦略のかなりのバックグラウンドを必要とします。
于 2012-08-01T05:08:36.950 に答える
3
どのパッケージがこれに最適かわかりません。私は大学のある時点で似たようなことをしました。そこでは、さまざまなグラフのxy軸上の特定の似たような形状を自動的に検出しようとしました。次のようなことができます。
次のようなクラスラベル：
- 授業はありません
- 地域の始まり
- 地域の真ん中
- 地域の終わり
次のような機能：
- 相対y軸ウィンドウ内の周囲の各ポイントの相対および絶対差11ポイント幅
- 平均との違いなどの特徴
- 前のポイントと後のポイントの相対的な違い
于 2012-08-02T18:02:01.803 に答える
2
選択肢があれば、ディープラーニングを使用しています。これはJava、Deeplearning4jで行われます。私はLSTMを試しています。時系列を処理するために、1つの隠れ層と2つの隠れ層を試しました。
return new NeuralNetConfiguration.Builder()
.seed(HyperParameter.seed)
.iterations(HyperParameter.nItr)
.miniBatch(false)
.learningRate(HyperParameter.learningRate)
.biasInit(0)
.weightInit(WeightInit.XAVIER)
.momentum(HyperParameter.momentum)
.optimizationAlgo(
OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT // RMSE: ????
)
.regularization(true)
.updater(Updater.RMSPROP) // NESTEROVS
// .l2(0.001)
.list()
.layer(0,
new GravesLSTM.Builder().nIn(HyperParameter.numInputs).nOut(HyperParameter.nHNodes_1).activation("tanh").build())
.layer(1,
new GravesLSTM.Builder().nIn(HyperParameter.nHNodes_1).nOut(HyperParameter.nHNodes_2).dropOut(HyperParameter.dropOut).activation("tanh").build())
.layer(2,
new GravesLSTM.Builder().nIn(HyperParameter.nHNodes_2).nOut(HyperParameter.nHNodes_2).dropOut(HyperParameter.dropOut).activation("tanh").build())
.layer(3, // "identity" make regression output
new RnnOutputLayer.Builder(LossFunctions.LossFunction.MSE).nIn(HyperParameter.nHNodes_2).nOut(HyperParameter.numOutputs).activation("identity").build()) // "identity"
.backpropType(BackpropType.TruncatedBPTT)
.tBPTTBackwardLength(100)
.pretrain(false)
.backprop(true)
.build();
いくつかのことが見つかりました：
- LSTMまたはRNNは、時系列のパターンを選択するのに非常に優れています。
- 1つの時系列、およびグループの異なる時系列で試行しました。パターンは簡単に選択できました。
- また、1つのリズムだけでなくパターンを選択しようとしています。週ごと、月ごとのパターンがある場合は、両方ともネットで学習します。
于 2017-01-25T16:30:49.953 に答える