Metodo di decomposizione dei dati invariante a piccoli spostamenti e ridimensionamenti?

Esiste un metodo di decomposizione dei dati simile all'autovalore che stima la matrice di proiezione per ridurre la dimensionalità ma non proietta vettori simili troppo distanti tra loro in termini di distanza euclidea se i dati originali della stessa classe variano leggermente in scala, spostamento e rotazione (2D Astuccio).

y = E x;

$y = E x;$

ad esempio un esempio di problema di classificazione ECG. I cicli cardio hanno durata diversa. Inoltre, la scala e lo spostamento dipendono dalla precisione del rilevamento del battito. Quindi i cicli cardio appartenenti alla stessa classe potrebbero essere proiettati in luoghi lontani a causa di quella variazione.

image-processing algorithms

— Chesnokov Yuriy
fonte

Segnali pseudo-periodici? sethares.engr.wisc.edu/paperspdf/wong2004.pdf

— rwong

Quando leggo la domanda, penso immediatamente alla quantizzazione vettoriale . O altri algoritmi di clustering . Forse pensare in quella direzione può farti iniziare.

— Bjoernz,

Per gli ECG, c'è lavoro con Karhunen Lòeve Transform (KLT) (Jager, et al. 1992) . Ho avuto successo con la tecnica KLT (Povinelli, 2005) .

— Richard Povinelli
fonte