Sto cercando di assemblare un processo che possa prendere le letture dei sensori e categorizzare, dalle forme dei picchi che appaiono, quelle che corrispondono più da vicino a un numero di "indicatori" per un problema di processo. Per raggiungere questo obiettivo, ho un set di dati di picchi indicatori (vedi sopra) e picchi "di prova" (vedi sopra) che sto eseguendo tramite la piattaforma Functional Data Explorer. Da questa piattaforma sto applicando il modello per adattare i picchi "indicatori" (lasciando i picchi di prova come set di convalida) e quindi salvando i punteggi FPC che vengono generati.
Ciò che voglio fare ora è classificare i picchi "test" in base ai loro punteggi FPC in quelli che corrispondono più da vicino ai picchi "indicatori" (vedi un esempio di visualizzazione di seguito): il problema che ho è capire un metodo adatto per classificare questi picchi. Ho solo una categoria a cui sto mirando, che è "indicatore", non ho un altro gruppo distinto per "normale", poiché potrebbe essere un numero qualsiasi di forme, formati ecc. che porterebbero a un ampio set di addestramento. Qualcuno può suggerire come posso trovare i picchi test che corrispondono più da vicino?
So che il clustering è possibile, ma esiste un modo per creare cluster con un "controllo" in cui i dati vengono raggruppati rispetto agli indicatori?
Se qualcuno avesse altre idee in generale per l'approccio che sto adottando, sarebbe fantastico.
Grazie!
Ehilà,
domanda interessante! Cominciamo:)
L'insieme dei picchi di riferimento/indicatore sono quelle 7 curve nel grafico superiore? Sono misurate o artificiali?
hai un set di dati campione da condividere?
Migliore
Floriano
