时间序列-识别方波信号的方法

如何解决时间序列-识别方波信号的方法

我正在尝试寻找一种方法来过滤出具有以下模式的信号。

可以描述为具有方波的图案，该方波在许多时间段内通常具有恒定的波动值+ -1，+-2或+ -0。信号通常会立即在5-100 std dev内下降，然后在很短的时间内保持恒定速率，然后再次发射回去。这些类型的信号可以具有单个或多个不同长度的方波，但始终在信号中显示方波。

此信号的数据：

y = array([  8.,8.,173.,172.,130.,131.,172.])

我需要找到一种方法，可以帮助我聚类或滤除大约3000个信号中的这些信号。我已经尝试了以下方法，但结果却很复杂：

• 带有TSLearn和DTW python软件包的单变量时间序列聚类，涉及许多与方差相关的功能（混合结果）
• 具有K均值，KNN等的多元聚类（通常可以为单个信号分配多个聚类。规则是一个信号用于一个存储桶，而不是多个存储桶）
• 条件逻辑，它找到阵列中的子序列，希望找到方波（我不能做任何事情，因为好的信号的一半长度可以等于信号重要部分的一半长度；方波）
• 内核分布估计（我还有其他与该信号具有相同分布的信号，因此我无法基于系数的排序/聚类将其过滤掉）

您能推荐其他方法来帮助我从一组其他信号中识别此类信号吗？如果您的方法是傅立叶变换，能否提供一个示例，说明如何使用它从一组其他信号中滤除该信号？

解决方法

这可以做到：

def first_der(df):
  y = df.NREVS.values
  x = df.cum_int.values

  dy=np.diff(y,1)
  dx=np.diff(x,1)
  yfirst=dy/dx
  return yfirst

def zero_runs(yfirst):
    # Create an array that is 1 where a is 0,and pad each end with an extra 0.
    iszero = np.concatenate(([0],np.equal(a,0).view(np.int8),[0]))
    absdiff = np.abs(np.diff(iszero))
    # Runs start and end where absdiff is 1.
    ranges = np.where(absdiff == 1)[0].reshape(-1,2)
    return yind
  
def square_finder(yfirst,yind,df):

  xmax = yind.shape[0]  #max value in first position where y_first can be indexed
  ymax = yind.shape[1] #max value in second position

  thresh = 4
  for i in range(0,xmax):
    if yind[i][1] < len(yfirst):
      if ((yfirst[yind[i][1]] > 5) | (yfirst[yind[i][1]] < -5)):
        #if ((yfirst[yind[i-1][1]+1] > 3) | (yfirst[yind[i-1][1]+1] < -3)):
        zeros = yind[i][1] - yind[i-1][1] - 2
        if zeros >= thresh:
          df['category'] = 'square'
        else:
          pass
      else:
        pass
    else:
      pass
  return df