实际上，有时我必须对非常大的数据集执行此操作。由于我的数据通常有点均匀分布，我发现以下过程简单而充分：

定义： ,$p \equiv data(t=0)$$\delta(t) \equiv \lVert data(t) - p \rVert_2$

的拐点并测量它们之间的。如果拐点处的足够小（并且多个相邻拐点之间$\delta(t)$$\Delta t$$\delta(t)$$\Delta t$

如果您有一个非常不均匀的分布，其中 2 范数似乎不是一个好的指标，您可能会在您提到的时候对数据进行插值，然后遵循类似的过程。像光谱表示，也许是球谐函数？虽然最有效的方法取决于对象本身（它是什么？）。

• 对于样条插值，您可以使用内置的 Matlab 调用，然后对该插值进行统一采样并使用上述方法。
• 对于频谱表示，您可以简单地使用上述过程中的归一化基系数。

如果您的数据是以离散的相等时间间隔测量的，那么您可以测量不同滞后的自相关。这是从 0 开始到 tp 结束的时间序列与从 p 开始到 t 结束的时间序列之间的标准相关性，其中 t 是您的数据点数。您可以通过研究偏自相关走得更远。在你有高峰的地方，你就有一个主导时期。对于 acf，还有一些统计测试可以告诉您 acf 的值是显着还是主要来自噪声伪影。

这些函数适用于一维数据，但您可以使用 x、y 或 z 中的任何一个。这是因为投影在任何轴上的数据都表现出相同的周期，但真正的 3d 曲线不位于垂直于其中一个轴的平面上的情况除外。因此，您可以在某个轴上使用您的发现并通过在其他轴上测量来确认。