J'essaie de tester différentes approches d'analyse de données fonctionnelles. Idéalement, je voudrais tester le panel d'approches que j'ai sur des données fonctionnelles simulées. J'ai essayé de générer une FD simulée en utilisant une approche basée sur une sommation des bruits gaussiens (code ci-dessous), mais les courbes résultantes semblent beaucoup trop robustes par rapport à la réalité .
Je me demandais si quelqu'un avait un pointeur sur des fonctions / idées pour générer des données fonctionnelles simulées plus réalistes. En particulier, celles-ci doivent être fluides. Je suis complètement nouveau dans ce domaine, donc tout conseil est le bienvenu.
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)
r
simulation
functional-data-analysis
user603
la source
la source
x=seq(0,2*pi,length=1000); plot(sin(x)+rnorm(1000)/10,type="l");
Réponses:
Découvrez comment simuler les réalisations d'un processus gaussien (GP). La régularité des réalisations dépend des propriétés analytiques de la fonction de covariance du GP. Ce livre en ligne contient de nombreuses informations: http://uncertainty.stat.cmu.edu/
Cette vidéo donne une belle introduction aux GP: http://videolectures.net/gpip06_mackay_gpb/
PS Concernant votre commentaire, ce code peut vous donner un début.
la source
la source