Объединить данные датчика для кластеризации / использования нейронной сети

Question

У меня есть несколько наборов данных, т.е. матриц, которые имеют 2 столбца, один с номером даты matlab, а второй с двойным значением.Вот пример набора одного из них

>> S20_EavesN0x2DEAir(1:20,:)
ans =

   1.0e+05 *

   7.345016409722222   0.000189375000000
   7.345016618055555   0.000181875000000
   7.345016833333333   0.000177500000000
   7.345017041666667   0.000172500000000
   7.345017256944445   0.000168750000000
   7.345017465277778   0.000166875000000
   7.345017680555555   0.000164375000000
   7.345017888888889   0.000162500000000
   7.345018104166667   0.000161250000000
   7.345018312500001   0.000160625000000
   7.345018527777778   0.000158750000000
   7.345018736111110   0.000160000000000
   7.345018951388888   0.000159375000000
   7.345019159722222   0.000159375000000
   7.345019375000000   0.000160625000000
   7.345019583333333   0.000161875000000
   7.345019798611111   0.000162500000000
   7.345020006944444   0.000161875000000
   7.345020222222222   0.000160625000000
   7.345020430555556   0.000160000000000

Теперь, когда у меня есть эти разные значения датчиков, мне нужно собрать их в матрицу, чтобы я мог выполнить кластеризацию, нейронную сеть и так далее,Единственная проблема заключается в том, что данные датчика были получены с немного разными временными отметками или временными метками, и я ничего не могу с этим поделать с точки зрения сбора данных.Моей первой мыслью была интерполяция, чтобы один набор данных датчика соответствовал другому, но это кажется грязным подходом, и я подумал, что, может быть, мне что-то не хватает, набор инструментов или функция, которая позволила бы мне сделать это быстрее, не тусуясь вокруг.Чтобы еще больше усложнить задачу, число датчиков со временем росло, поэтому я также смотрю на разные даты начала.

Кто-то может предложить хорошую идею?Спасибо

Answer 1

Я думаю, что ваша первая мысль об интерполяции была правильной, по крайней мере, если вы планируете использовать NN.Другим вариантом будет использование подходов, которые предназначены для работы с отсутствующими данными, например http://en.wikipedia.org/wiki/Dempster%E2%80%93Shafer_theory.

Answer 2

Трудно дать ответ для части кластеризации, потому что я понятия не имею, что вы ищете в данных.

Что касается нейронной сети, помимо интерполяции, на ум приходит как минимум два других метода:

• обучение отдельных сетей для каждой матрицы
• подача их всех вместе в одну и ту же сеть с флагом, указывающим, из какой матрицы поступают данные, т.е. что-то вроде: input (timestamp, flag_m1, flag_m2, ..., flag_mN) => target (значение), где Столбцы flag_m * являются взаимоисключающими логическими значениями, т. е. flag_mK равен 1, если строка идет из матрицы K, иначе - 0.

Это единственное, что я могу с уверенностью сказать, с количеством предоставленной вами информации.