Tôi đang cố gắng thử nghiệm các phương pháp phân tích dữ liệu chức năng khác nhau. Lý tưởng nhất, tôi muốn kiểm tra bảng phương pháp tiếp cận tôi có trên dữ liệu chức năng mô phỏng. Tôi đã cố gắng tạo FD mô phỏng bằng cách sử dụng một cách tiếp cận dựa trên tiếng ồn Gaussian tổng hợp (mã bên dưới), nhưng các đường cong kết quả trông quá gồ ghề so với thực tế .
Tôi đã tự hỏi liệu ai đó có một con trỏ đến các chức năng / ý tưởng để tạo ra dữ liệu chức năng mô phỏng trông thực tế hơn. Đặc biệt, những điều này nên được trơn tru. Tôi hoàn toàn mới đối với lĩnh vực này vì vậy mọi lời khuyên đều được hoan nghênh.
library("MASS")
library("caTools")
VCM<-function(cont,theta=0.99){
Sigma<-matrix(rep(0,length(cont)^2),nrow=length(cont))
for(i in 1:nrow(Sigma)){
for (j in 1:ncol(Sigma)) Sigma[i,j]<-theta^(abs(cont[i]-cont[j]))
}
return(Sigma)
}
t1<-1:120
CVC<-runmean(cumsum(rnorm(length(t1))),k=10)
VMC<-VCM(cont=t1,theta=0.99)
sig<-runif(ncol(VMC))
VMC<-diag(sig)%*%VMC%*%diag(sig)
DTA<-mvrnorm(100,rep(0,ncol(VMC)),VMC)
DTA<-sweep(DTA,2,CVC)
DTA<-apply(DTA,2,runmean,k=5)
matplot(t(DTA),type="l",col=1,lty=1)
x=seq(0,2*pi,length=1000); plot(sin(x)+rnorm(1000)/10,type="l");