次の4つの波形信号を考えてみます。
signal1 = [4.1880 11.5270 55.8612 110.6730 146.2967 145.4113 104.1815 60.1679 14.3949 -53.7558 -72.6384 -88.0250 -98.4607]
signal2 = [ -39.6966 44.8127 95.0896 145.4097 144.5878 95.5007 61.0545 47.2886 28.1277 -40.9720 -53.6246 -63.4821 -72.3029 -74.8313 -77.8124]
signal3 = [-225.5691 -192.8458 -145.6628 151.0867 172.0412 172.5784 164.2109 160.3817 164.5383 171.8134 178.3905 180.8994 172.1375 149.2719 -51.9629 -148.1348 -150.4799 -149.6639]
signal4 = [ -218.5187 -211.5729 -181.9739 -144.8084 127.3846 162.9755 162.6934 150.8078 145.8774 156.9846 175.2362 188.0448 189.4951 175.9540 147.4631 -89.9513 -154.1579 -151.0851]
信号1と2は同じように見え、信号3と4は同じように見えます。
入力としてn個の信号を受け取り、それらをm個のグループに分割するアルゴリズムを探しています。各グループ内の信号は類似しています。
このようなアルゴリズムの最初のステップは、通常、各信号の特徴ベクトルを計算することです。
例として、特徴ベクトルを[width、max、max-min]と定義します。この場合、次の特徴ベクトルが得られます。
特徴ベクトルを決定する際に重要なことは、類似した信号は互いに近い特徴ベクトルを取得し、異なる信号は遠く離れた特徴ベクトルを取得することです。
上記の例では、次のようになります。
したがって、信号2は信号3よりも信号1に非常に類似していると結論付けることができます。
特徴ベクトルとして、信号の離散コサイン変換の項を使用することもあります。以下の図は、離散コサイン変換からの最初の5項による信号の近似とともに信号を示しています。
この場合の離散コサイン係数は次のとおりです。
F1 = [94.2496 192.7706 -211.4520 -82.8782 11.2105]
F2 = [61.7481 230.3206 -114.1549 -129.2138 -65.9035]
F3 = [182.2051 18.6785 -595.3893 -46.9929 -236.3459]
F4 = [148.6924 -171.0035 -593.7428 16.8965 -223.8754]
この場合、次のようになります。
この比率は、上記のより単純な特徴ベクトルほど大きくはありません。これは、単純な特徴ベクトルの方が優れているという意味ですか？
これまでのところ、2つの波形のみを示しています。以下のプロットは、そのようなアルゴリズムへの入力となる他のいくつかの波形を示しています。このプロットの各ピークから1つの信号が抽出され、ピークの左側の最も近い最小値から始まり、ピークの右側の最も近い最小値で停止します。
たとえば、サンプル217と234の間のこのプロットからsignal3が抽出されました。別のプロットからSignal4が抽出されました。
気になる場合は。このような各プロットは、空間内のさまざまな位置でのマイクによる音響測定に対応しています。各マイクロフォンは同じ信号を受信しますが、信号は時間的にわずかにシフトし、マイクロフォンごとに歪んでいます。
特徴ベクトルは、信号を互いに近い特徴ベクトルと一緒にグループ化するk-meansなどのクラスタリングアルゴリズムに送信できます。
波形信号の識別に優れている特徴ベクトルの設計に関する経験やアドバイスはありますか？
また、どのクラスタリングアルゴリズムを使用しますか？
どんな答えでも前もって感謝します！