在数据中查找高斯

信息处理 估计 检测
2022-01-27 13:28:00

我有一些时间序列数据(蓝线下图),其中添加了高斯(红线上图)。我想估计高斯在数据中的位置,以及高斯的高度(这些参数可以有界)。

有没有一种算法可以估计和找到数据中高斯的位置(蓝线,上图)?

或者一个更好的问题可能是,如果我不知道什么高度或它的位置(平均值),我有没有办法在数据中找到一个高斯的概率曲线。

该模型将是:

y(x)=Ac0eAc0(xx0)2x0
或者
y(x)=A2(1+eAc0(xx0)2x0)2c0eAc0(xx0)2x0

在此处输入图像描述

注意:这只是一个模拟高斯,通常我只有上图中的蓝线。

上图说明:红线,原始数据蓝线,添加高斯的原始数据(下图中的高斯已添加到上图中的蓝线)

我只有上图中的蓝线,我试图检测高斯 x 方向的位置(它在参数 x_0 的峰值处),也许是高度 A

高斯是我的信号,上图中的蓝线是我的噪声,红线是噪声+高斯的一个例子,也是我使用的典型时间序列。

1个回答

当用一个简洁的模型模拟数据时,比如在你的模型中,试图从观察中恢复“真实”模型,并忽略一些默认假设甚至实际目标(因此这个务实的答案),存在偏差的风险。

首先,将高斯模型拟合到噪声数据是一个复杂的话题,吸引了许多工作。甚至在经验直方图上拟合单个高斯,并且需要对波动的性质进行一些假设。例如,您可以查看A Fast, Accurate, and Separable Method for Fitting a Gaussian Function,并回顾一些经典算法(Caruana、Guo、Roonizi),处理过度确定、加性或乘性噪声等。更一般地说,假设关于正性,残差的性质,高斯的尺度,因为这可能是不适定的。这里的噪音是轻微的,但是在 1200 刻度线之后红线看起来不是很平滑,这可能会影响拟合。

还有许多其他方法:

  • 使用背景上的一些损失模型执行稳健拟合,并进行重新参数化(因为幅度、位置或尺度的非线性令人不安),
  • 直接估计位置和比例参数,因为您显然对它们比对完整模型更感兴趣。在这里,可以使用尺度空间算子检测凹凸位置,然后使用稳健的二阶矩方法检测尺度。