我是机器学习新手。
我有由多个传感器生成的传感器数据。
数据是一系列“时间”。（它没有标记，换句话说，我不知道哪个传感器生成哪个“时间”）。
并且每个传感器基本上都会周期性地产生数据，但有时也会产生其他数据。
例如，有两个传感器（传感器 A 每 2 秒生成一个“时间”，传感器 B 每 5 秒生成一个“时间”。）。
那么数据可以是：{2.1, 4.3, 5.2, 6.1, 7.9, 9（来自其中一个传感器的噪声），10.1, 10.2} ....（有一些噪声）
我想知道的是，当给出另一个数据时，有可能知道相同的传感器生成它吗？（我们知道那个时期）
我应该使用什么方法？
我找到了高斯混合模型。我有权使用它吗？
谢谢。
如果数据本质上是循环的，那么最好的方法就是使用它的频谱。
您可以轻松地构建一个系统来检查数据子集以定期验证，并且一旦您建立了您的组，检查新数据的亲和力就很容易 - 将其添加到每个系列中。它应该属于在频率上产生较少传播的那个（即，它遵循周期）。
您可能想查看 Kevin Murphy 的 Bayes Net Toolbox BNT。我用它在标记数据上使用 EM 算法训练 HMM 高斯混合模型。隐藏层是混合比例。我对其中一个示例做了一些修改，效果很好。BNT 唯一的缺点是它不是在积极开发中，并且是为 Matlab 版本 5 编写的，最新的 Matlab 有一些问题。大多数不兼容的问题已被修补，但仍有一些。还有其他贝叶斯网络应用程序，但我认为 BNT 是唯一一个精确推理（J 树）支持高斯混合的应用程序。使用贝叶斯网络结构的好处是您可以使用它来分类和模拟数据。