0
A
回答
0
您可以簡單地將虛部作爲向量中的另一個組件。在其他應用程序中,您將會忽略它!
但是,您將面臨其他更嚴峻的挑戰。
數據挖掘,尤其是聚類很少像應用函數a(dft)和函數b(k-means)那樣簡單,然後得到結果,即萬歲。對不起 - 這不是探索式數據挖掘的工作原理。
首先,對於許多時間序列,DFT根本沒有幫助。在其他人中,您首先必須做適當的重採樣或細分,或者去除季節性等無趣效果。即使DFT起作用,它也可能強調諸如採樣頻率或某些干擾之類的僞像。
然後你會遇到一個主要問題:k-means基於所有屬性具有相同重要性的假設。而DFT基於非常相反的想法:第一個組件捕獲大部分信號,後面的組件只有很小的偏差(並且這是將其用作降維的動機)。因此,基於這種直覺,你可能永遠不會應根據DFT係數完全應用k均值。同時,數據挖掘一再表明,「統計無稽之談」的工作可以提供有用的結果......所以你可以嘗試,但要小心地核實結果,避免過於熱情或樂觀。
0
在FFT的幫助下,它將數據集轉換爲dft信號。它有助於計算每個小數據集的DFT。
相關問題
- 1. R中的聚類時間序列
- 2. 1D信號的聚類
- 3. MongoDB時間序列聚合
- 4. 聚類時間戳序列(兩個事件的時間序列數據)
- 5. 時間序列層次聚類中的R逐列
- 6. Mongodb時間序列數據聚合
- 7. Python中的聚合時間序列
- 8. 團聚體的時間序列數據
- 9. Neo4j時間序列聚合查詢
- 10. c3js json時間序列號
- 11. numpy函數來聚合信號的時間?
- 12. 聚焦和聚焦(輸出)事件信號之間的區別
- 13. 聚類時間序列龐大數據集的方法
- 14. 如何對時間序列數據執行K均值聚類?
- 15. python scipy/numpy/pandas中時間序列的分層聚類?
- 16. MATLAB使用pdist處理的時間序列聚類
- 17. 聚類時間事件
- 18. 按時間聚類文檔
- 19. 從信號序列化的解析日期時間R
- 20. 如何重塑用於sns.tsplot的多個時間序列信號?
- 21. 計算的金融時間序列回報與交易信號
- 22. Django時間段的信號
- 23. 計算信號時間
- 24. LSTM時間序列分類
- 25. 時間序列分類MATLAB
- 26. 時間序列分類
- 27. 聚類間隔
- 28. 線程信號序列
- 29. 使用excel查找時間序列號
- 30. 如何「擴展」python時間序列號
我的研究目標是按照它們執行數據挖掘任務(如聚類和分類)的能力,對不同的時間序列降維技術進行基準測試。 – user1143110
我一定會按照你的指導進行DFT技術。 – user1143110