Матрица самоподобия - Self-similarity matrix

В анализ данных, то матрица самоподобия является графическим представлением похожий последовательности в серии данных.

Сходство можно объяснить разными способами, например пространственным расстоянием (матрица расстояний ), корреляция, или сравнение местных гистограммы или же спектральные свойства (например, IXEGRAM[1]). Этот метод также применяется для поиска заданного шаблона в длинном ряду данных, как в соответствие генов.[нужна цитата ] График подобия может быть отправной точкой для точечные графики или же графики повторяемости.

Определение

Чтобы построить матрицу самоподобия, сначала преобразуется ряд данных в упорядоченную последовательность векторы признаков , где каждый вектор описывает соответствующие характеристики ряда данных в заданном локальном интервале. Затем матрица самоподобия формируется путем вычисления подобия пар векторов признаков.

куда - функция, измеряющая схожесть двух векторов, например, внутренний продукт . Тогда похожие сегменты векторов признаков будут отображаться как пути большого сходства по диагоналям матрицы.[2]Графики подобия используются для распознавания действий, инвариантных к точке зрения [3]и для сегментации звука с помощью спектральная кластеризация матрицы самоподобия.[4]

Пример

Показано, что сюжет подобия, вариант сюжета повторяемости, полученный для разных взглядов на человеческие действия, дает аналогичные закономерности.[5]

Смотрите также

Рекомендации

  1. ^ М. А. Кейси; А. Вестнер (июль -00 2000). «Разделение смешанных аудиоисточников независимым подпространственным анализом» (PDF). Proc. Int. Comput. Музыкальная конференция. Получено 2013-11-19. Проверить значения даты в: | дата = (помощь)
  2. ^ Мюллер, Мейнард; Майкл Клаузен (2007). «Транспозиционно-инвариантные матрицы самоподобия» (PDF). Материалы 8-й Международной конференции по поиску музыкальной информации (ISMIR 2007): 47–50. Получено 2013-11-19.
  3. ^ В. Джунджо; Э. Декстер; И. Лаптев; Патрик Перес (2008). Распознавание перекрестных действий по временным самоподобиям. В Proc. Европейская конференция по компьютерному зрению (ECCV), Марсель, Франция. Конспект лекций по информатике. 5303. С. 293–306. CiteSeerX  10.1.1.405.1518. Дои:10.1007/978-3-540-88688-4_22. ISBN  978-3-540-88685-3.
  4. ^ Дубнов, Шломо; Тед Апель (2004). «Сегментация звука с помощью кластеризации единственного числа». Труды компьютерной музыкальной конференции (ICMC 2004). CiteSeerX  10.1.1.324.4298.
  5. ^ Распознавание действий перекрестного взгляда по временным самоподобиям (2008), И. Джунехо, Э. Декстер, И. Лаптев и Патрик Перес)

дальнейшее чтение

  • Н. Марван; М. К. Романо; М. Тиль; Дж. Куртс (2007). «Графики повторяемости для анализа сложных систем». Отчеты по физике. 438 (5–6): 237. Bibcode:2007ФР ... 438..237М. Дои:10.1016 / j.physrep.2006.11.001.
  • Дж. Фут (1999). Визуализация музыки и звука с помощью самоподобия. В: Proceedings of ACM Multimedia '99, Орландо, Флорида. С. 77–80. CiteSeerX  10.1.1.223.194. Дои:10.1145/319463.319472. ISBN  978-1581131512.
  • М. А. Кейси (2002). Б.С. Манджунатх; П. Салембье; Т. Сикора (ред.). Инструменты классификации звуков и подобия. Введение в MPEG-7: язык описания мультимедийного контента. Дж. Вили. С. 309–323. ISBN  978-0471486787.

внешняя ссылка