Méthode de décomposition des données invariante à un petit décalage et à une petite échelle?

Existe-t-il une méthode de décomposition des données similaire à la valeur propre qui estime la matrice de projection pour réduire la dimensionnalité mais ne projette pas trop loin des vecteurs similaires en termes de distance euclidienne si les données originales de la même classe varient un peu en échelle, décalage et rotation (2D Cas).

y = E x;

$y = E x;$

par exemple un exemple de problème de classification ECG. Les cycles cardio ont une durée différente. De plus, l'échelle et le décalage dépendent de la précision de la détection de battement. Ainsi, les cycles cardio appartenant à la même classe pourraient être projetés trop loin en raison de cette variation.

image-processing algorithms Chesnokov Yuriy
la source

Signaux pseudo-périodiques? sethares.engr.wisc.edu/paperspdf/wong2004.pdf

rwong

Quand je lis la question, je pense immédiatement à la quantification vectorielle . Ou d'autres algorithmes de clustering . Peut-être que penser dans cette direction peut vous aider à démarrer.

bjoernz

Réponses:

Pour les ECG, il existe des travaux utilisant la transformation de Karhunen Lòeve (KLT) (Jager, et al. 1992) . J'ai eu du succès avec la technique KLT (Povinelli, 2005) .

Richard Povinelli
la source