Пошаговое руководство по точному обнаружению пиков и впадин.
Пошаговое руководство по обнаружению пиков и впадин.
Обнаружение пиков – это сложный этап во многих приложениях. Прочтите и узнайте, как точно обнаруживать пики и впадины в одномерных векторах и двумерных массивах (изображениях).
![Фото от Willian Justen de Vasconcellos на Unsplash](https://miro.medium.com/v2/resize:fit:640/format:webp/1*jNSETACzc_K7iwiHapJdVg.png)
Наш мозг отлично справляется с обнаружением пиков в контексте. То, что кажется легкой задачей для глаза, может быть сложной задачей для автоматизации машинами. В общем, пики и впадины указывают на (значительные) события, такие как резкий рост или снижение цены/объема или резкий рост спроса. Одной из проблем является определение пика/впадины, которое может отличаться в разных приложениях и областях. Другие проблемы могут быть более техническими, такими как шумный сигнал, который может привести к множеству ложных срабатываний, или единичный порог, который не может точно обнаружить локальные события. В этом блоге я опишу, как точно обнаружить пики и впадины в одномерном векторе или двумерном массиве (изображении), не делая предположений о форме пика. Кроме того, я покажу, как обрабатывать шум в сигнале. Анализы выполняются с использованием библиотеки findpeaks, и предоставляются практические примеры для экспериментов.
Краткое введение о пиках и впадинах.
Обнаружение (резких) изменений в сигнале является важной задачей во многих приложениях, которая должна быть отражена или контролируется. Существуют примерно два типа “резких изменений”: так называемые выбросы и интересующие пики, которые концептуально отличаются друг от друга. Выбросы – это точки данных, значительно отклоняющиеся от нормы в наборе данных, тогда как интересующие пики – это конкретные точки данных или области в сигнале, которые имеют значение или значимость для анализа или области, поставленной вопросом. Если вам нужно подробнее ознакомиться с примерами обнаружения выбросов, попробуйте эти блоги [1, 2].
Обнаружение выбросов с использованием анализа главных компонент и методов Hotelling’s T2 и SPE/DmodX
Благодаря чувствительности анализа главных компонент, его можно использовать для обнаружения выбросов в многомерных наборах данных
towardsdatascience.com