Tidak ada "pendekatan umum" untuk ini setidak-tidaknya setahu saya. Selain itu Anda mencoba meminimalkan metrik jarak. Misalnya dalam kakek kertas DTW, Sakoe & Chiba (1978) gunakansebagai pengukuran perbedaan antara dua vektor fitur.| | Sebuahsaya- bsaya| |
Ketika Anda mengidentifikasi dengan benar, Anda harus memiliki jumlah poin yang sama (biasanya) agar dapat bekerja di luar kotak. Saya akan mengusulkan menggunakan lowess () lebih halus / interpolator di atas kurva Anda untuk membuat mereka dengan ukuran yang sama pertama. Ini hal yang cukup standar untuk "statistik kurva". Anda dapat melihat contoh aplikasi di Chiou et al. (2003) ; penulis tidak peduli tentang DTW dalam pekerjaan ini, tetapi ini adalah contoh yang baik bagaimana menangani pembacaan dengan ukuran yang tidak sama.
Selain itu seperti yang Anda katakan "amplitudo" adalah masalah. Ini sedikit lebih terbuka dan jujur. Anda dapat mencoba pendekatan Area-Under-the-Curve seperti yang diusulkan oleh Zhang dan Mueller (2011) untuk menangani hal ini tetapi benar-benar untuk tujuan waktu melengkungkan bahkan normalisasi sup-norm (mis. Ganti dengan dapat melakukan seperti dalam makalah ini oleh Tang dan Mueller (2009) . Saya akan mengikuti yang kedua, tetapi bagaimanapun Anda juga memperhatikan normalisasi sampel adalah kebutuhan.f ( x )f( x )f( x )s u py| f( x ) |
Bergantung pada sifat data Anda, Anda dapat menemukan lebih banyak literatur khusus aplikasi. Saya pribadi menemukan pendekatan meminimalkan dengan memperhatikan fungsi melengkung berpasangan target yang paling intuitif dari semua. Jadi fungsi target untuk meminimalkan adalah:
, di mana semuanya terlepas dari ketidaktahuan itu sebenarnya cukup mudah: Anda mencoba mencari untuk menemukan fungsi warping yang meminimalkan jumlah yang diharapkan dari ketidakcocokan kurva permintaan melengkung ke kurva referensi (istilahgCλ( Ysaya, Yk, g) = E{ ∫T( Ysaya( g( t ) ) - Yk( t ) )2+ λ ( g( t ) - t )2dt | Ysaya, Yk}gYsaya( g( t ) )Yk( t )Ysaya( g( t ) ) - Yk( t )) tunduk pada normalisasi terhadap distorsi waktu yang Anda terapkan oleh lengkungan itu (istilah ). Inilah yang diterapkan oleh paket MATLAB PACE . Saya tahu bahwa ada paket R fda oleh JO Ramsay et al. yang mungkin bisa membantu juga, tetapi saya belum secara pribadi menggunakannya (agak mengganggu referensi standar untuk metode paket itu dalam banyak kasus buku Ramsay dan Silverman yang sangat baik, Analisis Data Fungsional (2006) edisi kedua , dan Anda harus menjelajahi Buku 400 halaman untuk mendapatkan apa yang Anda cari; setidaknya itu bagus untuk dibaca)g( t ) - t
Masalah yang Anda gambarkan dalam literatur Statistik dikenal secara luas sebagai " pendaftaran kurva " (misalnya lihat Gasser dan Kneip (1995) untuk penanganan awal masalah ini) dan berada di bawah payung umum teknik Analisis Data Fungsional .
(Dalam beberapa kasus saya dapat menemukan kertas asli yang tersedia secara online, tautannya mengarah langsung ke sana; jika tidak, tautannya akan diarahkan ke perpustakaan digital umum. Hampir semua makalah yang disebutkan dapat ditemukan untuk menyusun versi secara gratis. Saya menghapus komentar asli saya seperti semula. digantikan oleh pos ini.)