5

我目前正在 python 中为时间序列分类 (TSC) 实现一个称为回声状态网络 (ESN) 的循环神经网络 (RNN)。

我想使用参数方程生成轨迹，然后训练我的神经网络对这些轨迹进行分类，例如Mickael Hüsken 和 Peter Stagge 的这篇文章，用于时间序列分类的循环神经网络。最后，我想比较一下我的 ESN 和他们的 RNN 之间的性能。
好吧，我在生成这些轨迹之一时遇到了麻烦。

根据本文，这是三个类：

在此处输入图像描述
这应该产生这样的东西： 在此处输入图像描述

我为每个类生成 50 条轨迹，alpha 是一个固定为 0.7 的浮点数，beta 和 t0 在 0 和 2*pi 之间随机选择。一条轨迹包含 30 个点，因此时间步长为 (2*pi)/30。

这是我的代码，我知道这不是最 Pythonic 的方式，但它可以为第一类和第三类工作。但是，第二课仍然有问题:(

import numpy as np
import sys, getopt, random

timestep = 2.0*np.pi / 30.0
alpha = 0.7

def class1(t, beta):
    return alpha*np.sin(t+beta)*np.abs(np.sin(t)), alpha*np.cos(t+beta)*np.abs(np.sin(t))

def class2(t, beta):
    return alpha*np.sin(t/2.0+beta)*np.sin(3.0/2.0*t), alpha*np.cos(t+beta)*np.sin(2.0*t)

def class3(t, beta):
    return alpha*np.sin(t+beta)*np.sin(2.0*t), alpha*np.cos(t+beta)*np.sin(2.0*t)

def generate():
    clazz = {
            '1' : class1,
            '2' : class2,
            '3' : class3
            }

    for classID in clazz :
        for i in xrange(50):
            fd = open("dataset/%s_%s"%(classID, i+1), 'w')
            beta = 2*np.pi*np.random.random()
            t = 2*np.pi*np.random.random()
            for _ in xrange(30):
               fd.write("%s %s\n"%clazz[classID](t, beta))
               t += timestep
            fd.close()

当我绘制第二类的轨迹时（使用 matplotlib），我得到了一个奇怪的结果......例如：

在此处输入图像描述

4

1 回答 1

3

第二个等式对我来说似乎很奇怪，并且确实似乎没有产生所示的图片。

查看第 1 类和第 3 类的方程，很容易猜出一个参数方程，它会产生一个具有三个“花瓣”的图形：

def class2(t, beta):
    return alpha*np.sin(t+beta)*np.sin(3*t), alpha*np.cos(t+beta)*np.sin(3*t)

然后做：

for beta in [0, np.pi/3, np.pi/2]:
    pylab.plot(*class2(np.linspace(0, np.pi, 100), beta),
               label='$\\beta={:.3f}$'.format(beta))
pylab.legend()

给出：

3瓣图

于 2014-05-04T11:02:49.677 回答