ডায়নামিক টাইম ওয়ার্পিং এবং নরমালাইজেশন

Question

আমি একটি "ক্যোয়ারী" এবং একটি "টেমপ্লেট" বক্ররেখার সাথে মিলিয়ে ডাইনামিক টাইম ওয়ার্পিং ব্যবহার করছি এবং এখনও অবধি যুক্তিসঙ্গত সাফল্য পাচ্ছি, তবে আমার কিছু বেসিক প্রশ্ন রয়েছে:

1. আমি ডিটিডাব্লু ফলাফলটি হিউরিস্টিকভাবে যে কিছু থ্রোসোল্ড মান নিয়ে এসেছি তার চেয়ে কম কিনা তা মূল্যায়ন করে আমি একটি "ম্যাচ" মূল্যায়ন করছি। এটি কি ডিটিডাব্লু ব্যবহার করে "ম্যাচ" নির্ধারণের জন্য সাধারণ পন্থা? যদি না হয়, দয়া করে ব্যাখ্যা করুন ...

   (1) এর উত্তরটি হ্যাঁ "হ্যাঁ", তবে আমি বিভ্রান্ত হয়ে পড়েছি, যেহেতু ডিটিডাব্লু ফলাফলটি ক) এর বক্ররেখের বিভক্তির পার্থক্য এবং খ) কোয়েরি ভেক্টরের দৈর্ঘ্য এবং দৈর্ঘ্য " টেমপ্লেট "ভেক্টর।

   আমি একটি প্রতিসম পদক্ষেপ ফাংশন ব্যবহার করছি, সুতরাং (খ) আমি এম + এন (ডিটিডাব্লু ম্যাট্রিক্সের প্রস্থ + উচ্চতা) দ্বারা ভাগ করে আমার ডিটিডাব্লু ফলাফলকে স্বাভাবিক করছি। এটি কিছুটা কার্যকর বলে মনে হচ্ছে, তবে মনে হচ্ছে এটি ডিটিডাব্লু ম্যাচগুলিকে দণ্ডিত করবে যেগুলি তির্যক (যেমন, ডিটিডাব্লু ম্যাট্রিক্সের মধ্য দিয়ে দীর্ঘতর পথ রয়েছে) থেকে রয়েছে। যা "নরমালাইজেশন" পদ্ধতির জন্য একরকম স্বেচ্ছাচারী বলে মনে হয়। ম্যাট্রিক্সের মাধ্যমে পদক্ষেপের সংখ্যা দ্বারা বিভক্ত করা স্বজ্ঞাত অর্থে বলে মনে হচ্ছে, তবে সাহিত্য অনুসারে এটি করার উপায় বলে মনে হয় না।

2. সুতরাং কোয়েরি এবং টেমপ্লেট ভেক্টরগুলির আকারের জন্য ডিটিডাব্লু ফলাফলকে সামঞ্জস্য করার আরও ভাল কোনও উপায় আছে কি?

3. অবশেষে, কোয়েরি এবং টেম্পলেট ভেক্টরগুলির মধ্যে প্রশস্ততাগুলির পার্থক্যের জন্য আমি কীভাবে ডিটিডাব্লু ফলাফলকে স্বাভাবিক করব?

যেমনটি, নির্ভরযোগ্য নরমালাইজেশন কৌশলগুলির অভাব (বা আমার বোঝার অভাব) প্রদত্ত, মনে হচ্ছে একটি "ম্যাচ" সংজ্ঞায়নের জন্য সেরা থ্রোসোল্ড স্তরটি সনাক্ত করার জন্য নমুনা ডেটার সাথে কাজ করার ক্ষেত্রে অনেকগুলি ম্যানুয়াল প্রচেষ্টা জড়িত রয়েছে। আমি কিছু অনুপস্থিত করছি?

Answer 1

এটির জন্য কমপক্ষে আমার জ্ঞানের কোনও "সাধারণ পদ্ধতির" উপস্থিত নেই। এছাড়াও আপনি যাইহোক দূরত্বের মেট্রিককে হ্রাস করার চেষ্টা করছেন। উদাহরণস্বরূপ, ডিটিডব্লিউ কাগজপত্রের দাদীতে সাকো ও চিবা (1978) ব্যবহার করুনদুটি বৈশিষ্ট্য ভেক্টর মধ্যে পার্থক্য পরিমাপ হিসাবে।$|| a_i - b_i||$

আপনি সঠিকভাবে চিহ্নিত হিসাবে আপনার বাক্সটি বাইরে কাজ করার জন্য একই সংখ্যক পয়েন্ট (সাধারণত) থাকা দরকার। আমি প্রথমে আপনার বক্ররেখার উপর একটি নিম্নমানের () স্মুথ / ইন্টারপোলটর ব্যবহার করার প্রস্তাব করব যাতে সেগুলি প্রথমে সমান আকারের করা যায়। এটি "বক্ররেখার পরিসংখ্যান" এর জন্য বেশ মানক স্টাফ। আপনি চিও এট আল একটি উদাহরণ অ্যাপ্লিকেশন দেখতে পারেন । (2003) ; লেখকরা এই কাজের মতো ডিটিডাব্লু সম্পর্কে তেমন চিন্তা করেন না তবে অসম আকারের পাঠগুলি কীভাবে মোকাবেলা করা যায় এটি একটি ভাল উদাহরণ।

অতিরিক্ত হিসাবে আপনি বলছেন "প্রশস্ততা" একটি সমস্যা। এটি স্রেফ হওয়ার জন্য এটি আরও কিছুটা মুক্ত ended আপনি দ্বারা প্রস্তাবিত এক মত একটি এলাকা-under--কার্ভ পদ্ধতির চেষ্টা করে দেখতে পারেন ঝাঙ এবং মুলার (2011) এই যত্ন নিতে কিন্তু সত্যিই এমনকি চুমুক দিয়া পান-আদর্শ নিয়মমাফিককরণ warping সময় উদ্দেশ্যে (যেমন। প্রতিস্থাপন সঙ্গে this তাং এবং মুয়েলার (২০০৯) এর মাধ্যমে এই কাগজটি করতে I আমি দ্বিতীয়টি অনুসরণ করব, তবে আপনি যে কোনও ক্ষেত্রে নমুনার অপরিহার্যতা।$f(x)$$\frac{f(x)}{sup_y|f(x)|}$

আপনার ডেটার প্রকৃতির উপর নির্ভর করে আপনি আরও অ্যাপ্লিকেশন নির্দিষ্ট সাহিত্যের সন্ধান করতে পারেন। আমি ব্যক্তিগতভাবে লক্ষ্য লক্ষ্যযুক্ত ওয়ার্পিং ফাংশন এর প্রতি শ্রদ্ধার সাথে হ্রাস করার পদ্ধতিকে সবচেয়ে স্বজ্ঞাতভাবে খুঁজে পাই । সুতরাং হ্রাস করার লক্ষ্য ফাংশনটি হ'ল: , যেখানে এটি সত্ত্বেও পুরো জিনিস uncanniness আসলে বেশ সহজবোধ্য: আপনি warping ফাংশন এটি খুঁজতে চেষ্টা যে ছোট warped ক্যোয়ারী বক্ররেখা অমিলের প্রত্যাশিত সমষ্টি থেকে রেফারেন্স কার্ভ ($g$$C_\lambda(Y_i,Y_k, g) = E\{ \int_T (Y_i(g(t)) - Y_k(t))^2 + \lambda(g(t) -t)^2 dt| Y_i,Y_k\}$$g$$Y_i(g(t))$$Y_k(t)$$Y_i(g(t)) - Y_k(t)$) আপনি সেই ওয়ার্পিং (শব্দটি) দ্বারা আরোপিত সময়-বিকৃতির সাথে কিছুটা স্বাভাবিক হওয়ার সাপেক্ষে $g(t) -t$)। এটি ম্যাটল্যাব প্যাকেজ PACE বাস্তবায়ন করছে। আমি জানি যে জে রামসে এট আল দ্বারা একটি আর প্যাকেজ এফডিএ রয়েছে । এটি হয়ত সহায়তার হতে পারে তবে আমি ব্যক্তিগতভাবে এটি ব্যবহার করি নি (কিছুটা বিরক্তিকরভাবেই সেই প্যাকেজটির পদ্ধতির জন্য প্রমিত রেফারেন্সটি অনেক ক্ষেত্রে র‌্যামসে এবং সিলভারম্যানের দুর্দান্ত বই, ফাংশনাল ডেটা অ্যানালাইসিস (২০০ 2nd) ২ য় সংস্করণে রয়েছে এবং আপনাকে একটি ঘায়েল করতে হবে আপনি যা সন্ধান করেন তা পেতে 400 পৃষ্ঠাগুলির বই; কমপক্ষে এটি যাইহোক পড়া ভাল)

পরিসংখ্যান সাহিত্যে আপনি যে সমস্যাটি বর্ণনা করছেন তা ব্যাপকভাবে " বক্ররেজিস্ট্রেশন " হিসাবে পরিচিত (উদাহরণস্বরূপ , সমস্যার প্রথম দিকে চিকিত্সার জন্য গ্যাসার এবং ন্নিপ (1995) দেখুন ) এবং কার্যকরী ডেটা বিশ্লেষণ কৌশলগুলির সাধারণ ছত্রছায়ায় পড়ে ।

(ক্ষেত্রে আমি লিঙ্কটি সেখানে অনলাইনে উপলব্ধ মূল কাগজটি খুঁজে পেতাম; অন্যথায় লিঙ্কটি একটি সাধারণ ডিজিটাল লাইব্রেরির দিকে পরিচালিত করে mentioned উল্লিখিত প্রায় সমস্ত কাগজই নিখরচায় সংস্করণের খসড়াতে পাওয়া যাবে I আমি আমার মূল মন্তব্যটি মুছে ফেলি হিসাবে এই পোস্ট দ্বারা উত্সাহিত।)

Comments

এটি একটি দুর্দান্ত এবং খুব খুব সহায়ক উত্তর। উল্লেখগুলি বিশেষভাবে সহায়ক।

— মিক্কো

আপনি কি ডিটিডব্লিউতে "প্রশস্ততা একটি ইস্যু" তা উল্লেখ করার জন্য কোনও উপযুক্ত রেফারেন্স জানতে পারবেন? এটি সম্ভবত এতটাই স্পষ্ট যে আমি একটি রেফারেন্স খুঁজতে লড়াই করছি, যা এ সম্পর্কে স্পষ্টভাবে আলোচনা করে।

— মিক্কো

আমি আনন্দিত, তুমি এটা পছন্দ কর. যেহেতু আমি বলেছিলাম প্রশস্ততার চিকিত্সা "কিছুটা বেশি উন্মুক্ত সমাপ্তি" এবং আমি মনে করি না যে এটি প্রশ্নের মধ্যে প্রয়োগ বা পদ্ধতির সাথে সম্পর্কিত না হলে (উদাহরণস্বরূপ জাং অ্যান্ড মুইলারের কাজ হিসাবে) যদি আপনি এটি উল্লেখ করে একটি একক রেফারেন্স পেয়ে যাবেন। 09)। আপনার যখন বিভিন্ন ইউনিটে ডেটা পরিমাপ করা হয় তখন সাধারণীকরণ প্রয়োজনীয়। সাধারণত যা গুরুত্বপূর্ণ তা হ'ল কার্যনির্বাহী অধ্যক্ষ / ক্যানোনিকাল / কী_হ্যাভ_আপনার উপাদানগুলির স্বাভাবিককরণ যাতে তারা একটি ভিত্তি গঠন করে$L^2$।

— usεr11852

ইতিমধ্যে উল্লিখিত সংস্থানগুলি থেকে সম্ভবত আপনার সেরা বেটটি সম্ভবত রামসে এবং সিলভারম্যান, চ্যাপ্টের এফডিএ বই হবে book "কার্যকরী তথ্য নিবন্ধকরণ এবং প্রদর্শন" এর উপর 7। খুব ভাল একটি রিসোর্স বইটিও রয়েছে: "অ্যাপ্লিকেশন সহ ফাংশনাল ডেটা সহ অ্যাপ্লিকেশন" হরভোথ এবং কোকোসক্কার দ্বারা; পার্ট III "নির্ভরশীল ক্রিয়ামূলক ডেটা" সাধারণীকরণের বিষয়টি সম্পর্কে স্পর্শ করে কারণ বেশিরভাগ কারণগুলি পরিবর্তন পয়েন্ট সনাক্তকরণের বিষয়ে চিন্তা করে।

— usεr11852