আমি মাত্রিকতা হ্রাস কৌশল হিসাবে একক মান মান পচন ব্যবহার করছি।
Nমাত্রার ভেক্টর দেওয়া D, ধারণাটি হ'ল অসম্পৃক্ত মাত্রাগুলির রূপান্তরিত স্থানের বৈশিষ্ট্যগুলিকে প্রতিনিধিত্ব করা, যা এই স্থানের ইগেনভেেক্টরগুলির ডেটাগুলির বেশিরভাগ তথ্যকে ক্রমবর্ধমান গুরুত্বের সাথে সংশ্লেষ করে।
এখন আমি টাইম সিরিজের ডেটাতে এই পদ্ধতিটি প্রয়োগ করার চেষ্টা করছি। সমস্যাটি হ'ল সমস্ত অনুক্রমের দৈর্ঘ্য একই হয় না, সুতরাং আমি সত্যিই num-by-dimম্যাট্রিক্স তৈরি করতে এবং এসভিডি প্রয়োগ করতে পারি না । আমার প্রথম চিন্তাটি ছিল num-by-maxDimম্যাট্রিক্স তৈরি করে এবং শূন্যস্থানগুলি শূন্যে পূরণ করে জিরো দিয়ে ম্যাট্রিক্স প্যাড করা , তবে আমি ঠিক নিশ্চিত না যে এটি সঠিক উপায় কিনা।
আমার প্রশ্ন হ'ল আপনি বিভিন্ন দৈর্ঘ্যের সময়সীমাতে মাত্রিকতা হ্রাসের এসভিডি পদ্ধতির কীভাবে? বিকল্পভাবে কি সাধারণত টাইম সিরিজের সাথে ইগেনস্পেস উপস্থাপনের অনুরূপ অন্যান্য পদ্ধতি রয়েছে?
ধারণাটি চিত্রিত করার জন্য নীচে ম্যাটল্যাব কোডের একটি অংশ দেওয়া হয়েছে:
X = randn(100,4); % data matrix of size N-by-dim
X0 = bsxfun(@minus, X, mean(X)); % standarize
[U S V] = svd(X0,0); % SVD
variances = diag(S).^2 / (size(X,1)-1); % variances along eigenvectors
KEEP = 2; % number of dimensions to keep
newX = U(:,1:KEEP)*S(1:KEEP,1:KEEP); % reduced and transformed data
(আমি বেশিরভাগ ম্যাটল্যাবে কোডিং করছি তবে আমি আর / পাইথন / .. পড়ার পক্ষে যথেষ্ট আরামদায়ক)