【一键批量生成】27种一维数据转换二维图像的方法

汉无为 2024-05-10 发布于湖北

展开全文

01. 引言

深度学习技术在图像识别领域取得突破，使得相关领域研究者开始研究如何将一维数据转换成二维的图像。转换的方式大致可分为两类：时频类和时域转换类。好处是，一维数据中的关键信息可以在二维图像中充分的突出，利用深度学习技术（CNNs，Transformer，图神经网络、注意力网络）也可以学习到图像中的全局的相关性信息，有利于解决相关领域复杂问题，适用于故障诊断、状态识别等分类任务。大量的论文表明：一维数据图像编码结合深度学习的智能故障诊断、识别方法，可显著提高识别精度。

本期不完全整合了27种的一维数据转二维图像方法及其matlab代码（持续更新），并循环自动生成图像数据集，方便后续结合深度学习网络（CNNs，Transformer，注意力网络）的使用。具体有：

时频类：1. 梅尔频谱图Mel spectrogram2. 短时傅里叶变换short-time Fourier transform3. s变换S-transform4. 魏格纳分布Wigner-Ville Distribution5. 离散魏格纳分布Discrete Wigner-Ville Distribution6. 希尔伯特变换Hilbert-Huang Transform7. 连续小波变换Continuous wavelet transform8. 实小波变换Real wavelet transform9. 同步压缩变换Synchrosqueezing transform10. 小波同步压缩变换wavelet synchrosqueezed transform11. 小波二阶同步压缩变换wavelet second order synchrosqueezed transform12. 垂直二阶同步压缩变换vertical second-order synchrosqueezing 13. 多尺度同步压缩变换Multisynchrosqueezing Transform 14. 小波多尺度同步压缩变换Wavelet Multisynchrosqueezed Transform 15. 局部最大同步压缩变换Local maximum synchrosqueezing transform 16. 时间重分配多同步压缩变换Time-reassigned Multisynchrosqueezing Transform 17. 同步提取变换Synchroextracted transform18. 小波同步提取变换Wavelet Synchroextracted Transform19. 暂态提取变换transient-extracting transform20. 二阶暂态提取变换Second-order transient-extracting transform 时域转换类：21. 格拉姆角和场Gramian angular summation field22. 格拉姆角差场Gramian angular difference field23. 递归图recurrence plots24. 相对位置矩阵Relative Position Matrix25. 对称点模式Symmetrized Dot Pattern26. 马尔可夫转移场Markov Transition Field27. 符号递归图Symbolic recurrence plots

02. 简要说明及结果

相关方法的理论部分在知网上已经有很多了，这里不再赘述。本期以一段信号展示样本的生成原理，可以替换各种数据集。生成原理如下：以一个滑动窗口去切分原始数据，这样形成多个样本，每个样本对应一张图像。

本期以窗口1024为例，即每个样本包含1024个点，不重叠的切分。为了节省时间，暂以自动生成了5个样本为例，展示效果。

注意：样本数据个数跟原始数据长度和窗口选择有关。如果已划分好样本了，那么窗口长度等于样本数据长度。

梅尔频谱图Mel spectrogram

连续小波变换Continuous wavelet transform

s变换

递归图Reccurence Plots

魏格纳分布Wigner-Ville Distribution

格拉姆角差场GADF

格拉姆角和场GASF

参考文献：

Wang, Zhiguang , and T. Oates . 'Imaging Time-Series to Improve Classification and Imputation.' AAAI Press (2015).
G. Yu, M. Yu and C. Xu, 'Synchroextracting Transform,' IEEE Transactions on Industrial Electronics, vol. 64, no. 10, pp. 8042-8054, Oct. 2017. doi: 10.1109/TIE.2017.2696503
He, Zhoujie , et al. 'Second-Order Transient-Extracting Transform With Application to Time-Frequency Filtering.' IEEE Transactions on Instrumentation and Measurement 69-8(2020).
W. Chen and K. Shi, “A deep learning framework for time series classification using Relative Position Matrix and Convolutional Neural Network,” Neurocomputing, vol. 359, pp. 384–394, Sep. 2019
G. Yu, 'A Concentrated Time–Frequency Analysis Tool for Bearing Fault Diagnosis,' in IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 2, pp. 371-381, Feb. 2020, doi: 10.1109/TIM.2019.2901514.
CABALLERO-PINTADO M V, MATILLA-GARCÍA M, RUIZ MARÍN M. Symbolic recurrence plots to analyze dynamical systems. Chaos, 2018, 28(6): 063112.
Yu, Gang , et al. 'Local maximum synchrosqueezing transform: An energy-concentrated time-frequency analysis tool.' Mechanical Systems and Signal Processing 117.FEB.15(2019):537-552.
Li, Pu Li, Qingzhao . 'Fault diagnosis of rolling bearing using symmetrized dot pattern and density-based clustering.' Measurement 152(2020).
G. Yu, T. Lin, Z. Wang and Y. Li, 'Time-Reassigned Multisynchrosqueezing Transform for Bearing Fault Diagnosis of Rotating Machinery,' in IEEE Transactions on Industrial Electronics, vol. 68, no. 2, pp. 1486-1496, Feb. 2021, doi: 10.1109/TIE.2020.2970571.