多尺度主成分分析
[x_sim,qual,npc,dec_sim,pca_params] = wmspca(x,level,wname,npc)
[...] = WMSPCA(x,level,wname,'mode',extmode,npc)
[...] = WMSPCA(DEC,NPC)
[...] = WMSPCA(x,level,wname,'mode',extmode,npc)
[x_sim,qual,npc,dec_sim,pca_params] = wmspca(x,level,wname,npc)
或者[...] = WMSPCA(x,level,wname,'mode',extmode,npc)
返回简化版本X_SIM
输入矩阵X
从基于小波的多尺度主成分分析(PCA)获得。
输入矩阵X
包含P.
长度的信号N
存储柱面(N
>P.
)。
使用分解级别进行小波分解等级
和小波Wname.
。
EXTMODE.
是DWT的扩展模式(参见DWTMode.
)。
如果是分解12月
使用mdwtdec.
可用,您可以使用
[...] = WMSPCA(DEC,NPC)
代替
[...] = WMSPCA(x,level,wname,'mode',extmode,npc)
。
如果NPC.
是矢量,那么它必须是长度等级+ 2
。它包含所执行的每个PCA的保留主组件的数量:
NPC(D)
是保留的非团体主成分数量,详细介绍D.
,对于1 <=D.
<=等级
。
NPC(等级+ 1)
是水平级别近似的保留非居中主成分的数量。
NPC(等级+ 2)
是小波重建后最终PCA的保留主成分的数量。
NPC.
必须这样0 <=NPC(D)
<=P.
1 <=D.
<=等级
+2。
如果npc ='kais'
(分别,'heur'
),然后使用Kaiser的规则(或启发式规则)自动选择保留的主组件的数量。
Kaiser的规则使与特征值相关的组件更大所有特征值的平均值。
启发式规则将与大于所有特征值的总和的特征值相关联的组件。
如果npc ='nodet'
,然后细节“杀死”,并且保留所有近似值。
X_SIM
是矩阵的简化版本X
。
qual
是长度的矢量P.
包含由相对平均方误差为百分比给出的列重建的质量。
NPC.
是所选数量的保留主组件的矢量。
DEC_SIM
小波分解是X_SIM
PCA_PARAMS.
是长度的结构阵列等级+ 2
这样:
PCA_PARAMS(D).pc
是A.P.
-经过-P.
主成分的矩阵。
列以差异的降序存储。
PCA_PARAMS(D)。符号
是主要成分差异矢量。
PCA_PARAMS(D).npc = npc
使用小波多尺度主成分分析来表示多变量信号。
加载由长度1024的4个信号组成的数据集。用附加噪声绘制原始信号和信号。
加载ex4mwden;kp = 0;为了i = 1:4子图(4,2,kp + 1),绘图(x_orig(:,i));轴紧的;标题(['原始信号',num2str(i)])子图(4,2,kp + 2),绘图(x(:,i));轴紧的;标题(['嘈杂的信号',num2str(i)])kp = kp + 2;结尾
使用Daubechies的最小不对称小波执行第一个多尺度小波PCA,其中4个消失的时刻,符号4.
。将多分辨率分解降至5级。使用启发式规则来确定要保留的主要组件。
级别= 5;wname ='符号4';NPC ='heur';[x_sim,qual,npc] = wmspca(x,level,wname,npc);
绘制结果并检查近似的质量。
qual kp = 0;为了i = 1:4子图(4,2,kp + 1),plot(x(:,i));轴紧的;标题(['嘈杂的信号',num2str(i)])子图(4,2,kp + 2),plot(x_sim(:,i));轴紧的;标题(['第一个PCA',num2str(i)])kp = kp + 2;结尾
Qual = 97.4372 94.5520 97.7362 99.5219
质量结果均接近100%。这NPC.
向量给出每个级别保留的主成分数量。
通过在1-3级以1-3级移除主成分来抑制噪声。再次执行MultiScale PCA。
NPC(1:3)=零(1,3);[x_sim,qual,npc] = wmspca(x,level,wname,npc);
绘制结果。
kp = 0;为了i = 1:4子图(4,2,kp + 1),plot(x(:,i));轴紧的;标题(['嘈杂的信号',num2str(i)])子图(4,2,kp + 2),plot(x_sim(:,i));轴紧的;标题(['第二个PCA',num2str(i)])kp = kp + 2;结尾
多尺度主成本通过在不同级别的细节的细节矩阵上同时执行PCA来概括了作为矩阵被视为矩阵的多变量信号的通常PCA。另外,在小波域中的粗糙近似系数矩阵以及最终重建矩阵上也进行PCA。通过方便地选择保留主组件的数量,可以重建有趣的简化信号。
aminghafari,m ;;Cheze,n ;;Poggi,J-M。(2006),“使用小波和主成分分析多变量去噪,”计算统计和数据分析,50,pp。2381-2398。
Bakshi,B。(1998),“多尺度PCA,用于MSPC监控,”Aiche J.,44,pp。1596-1610。