Tính toán độ tương tự giữa hai ô tín hiệu

Tôi có hai ô, mỗi ô có tần số là trục x và Đạt là trục y. Bằng cách lấy một bộ dữ liệu làm tham chiếu, tôi phải tính toán độ tương tự giữa chúng.

Các biểu đồ có cùng giá trị trên trục x và có cùng phạm vi trên trục x

2D Correlation hoặc Co-variance có thể làm tốt công việc không? hoặc tôi nên chọn khoảng cách Fréchet hoặc DWT như tôi đã đọc trong một số bài viết khác?

Cốt truyện đầu tiên là cốt truyện tham khảo.

Dưới đây là các lô:

Hình tham khảo Hình 2

Xin vui lòng giúp đỡ!

correlation waveform-similarity

— Animesh Pandey
nguồn

Bạn có thể chỉ cho chúng tôi các lô? Sau đó, chúng ta có thể có một số ý tưởng "tương tự" có nghĩa là gì trong bối cảnh này.

— endolith

Tôi đã tải lên các lô. Đầu tiên là cốt truyện tham khảo!

— Animesh Pandey

Chúng không giống nhau chút nào. Bạn có nghĩ rằng họ là? Bằng cách nào?

— endolith

Nhưng có thể có một số liệu mà chúng ta có thể tìm thấy mức độ khác biệt giữa hai? .. giống như Peter K. đã đề cập dưới đây ...

— Animesh Pandey

Chúng giống nhau theo cách nào? Đó là những gì bạn phải trả lời.

— endolith

Câu trả lời:

Tại sao không chỉ sử dụng một cái gì đó như "lỗi" tương đối giữa hai?

Ví dụ: nếu đáp ứng cường độ tần số của bạn là và , thì hãy tính: $G_1$ $G_2$

E R R = \sum {| G_{1} (n) - G_{2} (n) |}^{2}

$ERR = \sum \left | G_1(n) - G_2(n) \right|^2$

và sau đó bình thường hóa đối với tham chiếu, : $G_1$

N O R M A L I Z E D = \sum {| G_{1} (n) - G_{2} (n) |}^{2} / \sum {| G_{1} (n) |}^{2}

$NORMALIZED = \sum \left | G_1(n) - G_2(n) \right|^2 / \sum \left | G_1(n) \right|^2$

Tương quan cũng là một cách để đi, nhưng nó có thể cho thấy một số trường hợp xảy ra hình dạng tương tự, nhưng ở các tần số rất khác nhau ... có thể không phải là điều bạn muốn.

— Peter K.
nguồn

Tôi có các giá trị Gain khác nhau ở cùng một điểm tần số ... Tôi hy vọng tôi vẫn có thể áp dụng khái niệm này cho các giá trị Gain!

— Animesh Pandey

Tôi không chắc ý của bạn là gì? Bạn có thể nên áp dụng ở trên cho các giá trị khuếch đại thực tế, thay vì các giá trị dB của các lô của bạn; ngoài ra, tôi không thể thấy một vấn đề lớn (mặc dù tôi có thể không hiểu chính xác câu hỏi của bạn là gì, cứ thoải mái giải thích).

— Peter K.

Tôi đã thử nghiệm giải pháp cho bạn trên các tập dữ liệu khác và tôi cũng nhận được kết quả khả quan ... Tôi nghĩ tôi nên đánh dấu đây là giải pháp

— Animesh Pandey

Tôi có thể nói rằng sự giống nhau của các biểu đồ là 1.0 - Error, theo một cách nào đó ??

— Animesh Pandey

Vâng, đó là một cách để đặt nó. Lỗi liên quan đến năng lượng . Tuy nhiên, có thể đúng là , trong trường hợp đó "độ tương tự" của bạn sẽ âm. Nếu hình dạng của các đường cong, thay vì mức tăng là quan trọng, thì bạn nên bình thường hóa chúng bằng cách nào đó trước khi áp dụng các công thức ở đây.

G_{1}

$G_1$

E R R > 1.0

$ERR > 1.0$

— Peter K.

Tôi sẽ sử dụng tương quan cho dữ liệu đơn giản và nhỏ. Nếu dữ liệu của bạn lớn, tôi sẽ nghĩ về việc sử dụng trích xuất tính năng thông qua phân tích ICA hoặc PCA, sau đó so sánh các tính năng thông qua tương quan.

Vấn đề với tương quan là quy mô. Nhìn vào hình ảnh trong URL dưới đây:
Ví dụ tương quan

80% là khá giống nhau trong trí tưởng tượng của tôi, nhưng trong tương quan, nó thực sự không giống nhau. Vì vậy, nếu tôi là bạn, tôi sẽ xác định thang điểm tương tự của riêng mình, nằm gần 95-100% trên thang đo tương quan.

Và tôi đồng ý với lxop, trong đó tương quan giữa 2 tín hiệu 1D là đủ, tất nhiên là mỗi chỉ số mẫu liên tiếp tương ứng với cùng một giá trị X (tần số) trong cả hai tín hiệu.

— jhc
nguồn

Dữ liệu có 400 điểm. Nó sẽ được coi là lớn?

— Animesh Pandey

Điều gì sẽ xảy ra nếu tôi bình thường hóa các biểu đồ và sau đó tìm Tương quan Pearson giữa các vectơ y-trục của các biểu đồ?

— Animesh Pandey

@AnimeshPandey, tôi sẽ không xem xét điều đó lớn đến thế (hàng trăm ngàn người giống như vậy). Hãy xem xét đề nghị cuối cùng của Peter K., vì đó là sự thật. Tuy nhiên, trong trường hợp đó, bạn có thể đo độ lệch pha giữa hai loại (nếu chúng tương tự nhau) và kiểm tra độ lệch pha gần bằng không.

— jhc

Có gì sai với chỉ tương quan 1D bình thường? Đó là những gì nó tìm thấy - sự giống nhau giữa hai tín hiệu ('âm mưu'), ở một loạt các độ lệch.

Câu trả lời khác cho câu hỏi của bạn là:

Chính xác thì bạn có ý gì bởi 'sự giống nhau'? Bởi vì điều đó sẽ xác định cách bạn tính toán nó.

— lxop
nguồn

Tương tự tôi có nghĩa là chúng trông giống nhau đến thế nào ...

— Animesh Pandey

@AnimeshPandey Một cây bút đỏ trên bàn của tôi tương tự như thế nào với ổ USB trong ba lô của bạn?

— lxop

@AnimeshPandey Bạn có thể tính tỷ lệ phần trăm trùng lặp trong cấu hình màu bên ngoài của chúng hoặc bạn có thể sử dụng số liệu dựa trên vị trí địa lý của chúng hoặc bạn có thể đưa ra tỷ lệ về thể tích chung của chúng hoặc bạn có thể tính chênh lệch giữa tỷ lệ thép với nhựa trong xây dựng của họ. Hoặc bạn có thể tìm ra bao nhiêu thời gian trong một ngày trung bình họ dành cho việc di chuyển. Từ "tương tự" (và tương tự) không có một nghĩa riêng biệt.

— lxop

@AnimeshPandey trong bối cảnh của hai tín hiệu, chúng có thể 'trông giống nhau' vì chúng có cùng giá trị trung bình hoặc do chúng bắt đầu và kết thúc ở cùng một mức hoặc do phương sai của chúng giống nhau hoặc do chúng có cùng tần số chi phối .

— lxop

Các ô phải có hình dạng gần giống với cốt truyện tham chiếu. tức là số lượng đỉnh, điểm xảy ra đỉnh xảy ra v.v ... nên gần như nhau.

— Animesh Pandey