【发布时间】：2012-11-12 19:15:28
【问题描述】：
假设我有一个包含周期性事件的数据集，并且我正在确定一个阈值（峰值）来分隔每个事件（最终找到变异系数）。
我对这些数据进行了多次试验 - 这些事件的速度有时明显快于其他事件。这个数据也有点嘈杂，所以如果我没有在“findpeaks”函数中设置“minpeakdistance”约束，有时会发现一些“错误的局部最大值”。
我正在尝试找到一种方法来确保无论速度如何，我都能找到“真正的局部最大值”。我一直在目视检查每个试验，以确保我只识别出真正的峰值 - 如果我也识别出错误的峰值，我已经调整了该特定试验的 mpd 值 - 但这确实需要几天时间。
有什么建议吗？
例子：
对于我收集的大多数试验，以下代码行仅识别真正的最大值：
mpd = 'minpeakdistance';
eval(['[t' num2str(a) '.Mspine.pks(:,1),t' num2str(a) '.Mspine.locs] = findpeaks(t' num2str(a) '.Mspine.xyz(:,1), mpd,25);']);
但是，对于试验 11，它们的移动速度要快得多，因此必须将 mpd 调整为 9；但是，如果我将 mpd 值 9 应用于所有试验，它将获取错误的局部最大值。
【问题讨论】：
-
你可以先平滑一下。如果您的数据具有固定的周期性，您可以从数据的功率谱中猜测它（例如，通过选择 mpd = 0.5/max_freq_in_power_spectrum，可能只首先考虑合理范围）。另外，你的 eval 东西相当丑陋。如果你坚持使用eval，就在变量名上做，
标签： matlab find local mathematical-optimization