적어도 내 지식에는 “일반적인 접근 방식”이 존재하지 않습니다. 어쨌든 거리 측정법을 최소화하려고합니다. 예를 들어, DTW 논문의 할아버지 인 Sakoe & Chiba (1978) 는||ai−bi||

$||a_i-b_i||$

$|| a_i - b_i||$ 두 특징 벡터 사이의 차이의 측정으로.

올바로 식별 했으므로 동일한 수의 포인트 (일반적으로)가 있어야 즉시 사용할 수 있습니다. 커브에 대해 lowess () smoother / interpolator를 사용하여 먼저 동일한 크기로 만들 것을 제안합니다. “곡선 통계”에 대한 표준입니다. Chiou et al. 의 예제 애플리케이션을 볼 수 있습니다 . (2003) ; 저자는이 연구에서 DTW를 신경 쓰지 않지만 크기가 다른 판독 값을 다루는 방법은 좋은 예입니다.

또한 “진폭”은 문제입니다. 솔직히 말해서 좀 더 개방적입니다. Zhang과 Mueller (2011) 가 제안한 것과 같은 Area-Under-the-Curve 접근법 을 사용하여이 문제를 처리 할 수 ​​있지만 실제로는 정상 정규화 (예를 들어, replacef(x)

$f(x)$

$f(x)$ 와 f(x)supy|f(x)|

$\frac{f(x)}{su{p}_y|f(x)|}$

$\frac{f(x)}{sup_y|f(x)|}$Tang과 Mueller (2009) 가이 논문 에서처럼 할 수있다 . 나는 두 번째를 따를 것이지만, 어쨌든 샘플의 정규화가 필요하다는 것을 알았을 때 필요합니다.

데이터의 특성에 따라 더 많은 응용 분야별 문헌을 찾을 수 있습니다. 나는 목표로 쌍을 이루는 뒤틀림 기능과 관련하여 최소화하는 접근법을 개인적으로 찾습니다.g

$g$

$g$가장 직관적입니다. 따라서 최소화 할 대상 기능은 다음과 같습니다.
씨λ(와이나는,와이케이, g) = E{∫티(와이나는( g( t ) ) –와이케이( t ))2+ λ ( g( t ) − t)2디t |와이나는,와이케이}

$C_{\lambda }(Y_i,Y_k,g)=E\{{\int }_T(Y_i(g(t))-Y_k(t){)}^2+\lambda (g(t)-t{)}^{2}dt|Y_i,Y_k\}$

$C_\lambda(Y_i,Y_k, g) = E\{ \int_T (Y_i(g(t)) - Y_k(t))^2 + \lambda(g(t) -t)^2 dt| Y_i,Y_k\}$불확실성에도 불구하고 모든 것이 실제로 매우 간단합니다. 워핑 함수를 찾으려고 노력합니다. 지

$g$

$g$ 뒤틀린 쿼리 곡선의 불일치에 대한 예상 합계를 최소화합니다. 와이나는( g( t ) )

$Y_i(g(t))$

$Y_i(g(t))$ 기준 곡선에 Yk(t)

$Y_k(t)$

$Y_k(t)$ (용어 Yi(g(t))−Yk(t)

$Y_i(g(t))-Y_k(t)$

$Y_i(g(t)) - Y_k(t)$) 왜곡에 의해 부과되는 시간 왜곡에 대한 정규화가 적용됩니다 (용어 g(t)−t

$g(t)-t$

$g(t) -t$). 이것이 MATLAB 패키지 PACE 가 구현하는 것입니다. JO Ramsay 등 의 R 패키지 fda 가 있음을 알고 있습니다 . 그 또한 도움이 될 수도 있지만 나는 개인적으로 (조금 성가 시게 해당 패키지의 방법에 대한 표준 참조 램지와 실버의 훌륭한 책, 많은 경우에 그것을 사용하지 않았습니다 . 기능 데이터 분석 (2006) 2 판 , 그리고 당신은을 샅 샅히 뒤져해야 400 페이지 분량의 책으로 원하는 것을 얻으십시오. 어쨌든 잘 읽습니다.)

통계 문헌에서 설명하는 문제는 ” 곡선 등록 “(예 : 문제의 조기 처리에 대해서는 Gasser and Kneip (1995) 참조) 으로 널리 알려져 있으며 Functional Data Analysis 기술 의 일반적인 범주에 속합니다 .

(원본을 온라인에서 구할 수있는 경우에는 링크가 지시하는 링크를 참조하십시오. 이 게시물로 대체되었습니다.)

---

답변