मी तुमच्या टाइम-सिरीज डेटाचे स्वयंचलित फ्रिक्वेन्सी बँड स्कॅनिंग आणि स्टेट चेंज डिटेक्शनसह निदान करेन

हे काय आहे

हे सिंगल-चॅनेल टाइम-सिरीज डेटासाठी एक निदान साधन आहे. ते आपोआप:
- संरचना असलेले फ्रिक्वेन्सी बँड शोधते
- प्रत्येक बँडला पाच प्रकारांपैकी एका प्रकारात वर्गीकृत करते
- सिस्टमच्या वर्तनातील अचानक बदल शोधते
- वेगवेगळ्या वेळेच्या डेटाची तुलना करते

यासाठी लेबल केलेला प्रशिक्षण डेटा, पूर्वनिर्धारित टेम्पलेट्स किंवा भौतिक मॉडेलची आवश्यकता नाही. ते चार स्वतंत्र सांख्यिकीय मेट्रिक्स वापरते: भिन्नता गुणांक, नमुना एन्ट्रॉपी, लिफाफा स्क्यूनेस आणि पुनरावृत्ती दर.

शैक्षणिक संदर्भ: Zenodo preprint DOI 10.5281/zenodo.22837806

तुम्हाला काय मिळते

यासह एक निदान अहवाल (PDF):
- प्रति-बँड मेट्रिक्स: CV, नमुना एन्ट्रॉपी, स्क्यूनेस, पुनरावृत्ती दर
- प्रति-बँड वर्गीकरण
- शोधलेले संक्रमण टाइमस्टॅम्प
- तीन-पॅनेल व्हिज्युअलायझेशन (मूळ सिग्नल, वेळेनुसार CV, वेळेनुसार एन्ट्रॉपी)

सर्व बँड मेट्रिक्स आणि लेबल्स असलेली एक संरचित परिणाम सारणी (CSV).

विश्लेषण प्रवाह, पॅरामीटर्स आणि परिणाम कसे वाचावे हे स्पष्ट करणारी एक पद्धतशीर टीप.

ते कसे कार्य करते — साध्या भाषेत

तुमच्या डेटाला रेडिओ सिग्नल समजा. पारंपारिक साधने तुम्हाला सांगतात की "50-80 Hz वर ऊर्जा आहे." हे साधन तुम्हाला सांगते की "50-80 Hz वर सिग्नल स्थिर आणि संरचित आहे" किंवा "50-80 Hz वर सिग्नल विभागांमध्ये बदलत आहे" किंवा "तो बँड फक्त यादृच्छिक आवाज आहे."

हे तुम्हाला वर्तणूक कधी बदलली याची अचूक वेळ देखील सांगते — उदाहरणार्थ: "t=568 सेकंदांवर, प्रणाली स्थिर वरून अस्थिर झाली."

पाच वर्गीकरण लेबले

- सिग्नल: स्थिर, संरचित सिग्नल
- सेगमेंटेड: संरचित परंतु विभागांमध्ये बदलणारे
- white_noise: सपाट, यादृच्छिक आवाज
- नॉनस्टेशनरी: यादृच्छिक चढउतार
- signal_low: रचना उपस्थित आहे, परंतु पूर्ण विश्लेषणासाठी डेटा खूप लहान आहे

हे साधन काय करू शकत नाही

- वेव्हफॉर्म आकार पुन्हा तयार करू शकत नाही
- भौतिक स्त्रोत शोधू शकत नाही
- भविष्याचा अंदाज लावू शकत नाही
- मल्टी-चॅनेल डेटावर प्रक्रिया करू शकत नाही
- 500 बिंदूंपेक्षा कमी डेटावर प्रक्रिया करू शकत नाही
- प्रथम डिट्रेंडेड केल्याशिवाय मजबूत ट्रेंड असलेल्या डेटावर प्रक्रिया करू शकत नाही

तुम्हाला काय प्रदान करणे आवश्यक आहे

1. तुमची टाइम-सीरीज डेटा फाइल
स्वरूप: CSV, TSV, TXT, किंवा HDF5
सामग्री: किमान एक संख्यात्मक स्तंभ (टाइमस्टॅम्प पर्यायी)
लांबी: किमान 1000 बिंदू (5000+ शिफारस केलेले)

2. सॅम्पलिंग दर
उदाहरणे: प्रति सेकंद एक नमुना, प्रति मिलिसेकंद एक, LIGO 16384 Hz

3. तुमचे ध्येय
उदाहरणे:
- कोणत्या फ्रिक्वेन्सी बँडमध्ये सिग्नल आहे ते शोधा
- स्थिती बदलाची अचूक वेळ शोधा
- दोन डेटा कालावधींमधील संरचनेची तुलना करा

ते कधी वापरावे

- तुमच्याकडे लांब, सिंगल-चॅनेल टाइम सिरीज आहे
- तुम्हाला संशय आहे की प्रणालीची वर्तणूक काही टप्प्यावर बदलली आहे
- तुम्हाला "पॉवर ग्लिच" आणि "संरचनात्मक बदल" यांच्यात फरक करायचा आहे
- तुम्हाला सखोल विश्लेषणापूर्वी स्वयंचलित फर्स्ट-पास स्क्रीनिंगची आवश्यकता आहे

ते कधी वापरू नये

- रिअल-टाइम स्ट्रीमिंग
- मल्टी-सेन्सर अॅरे
- तुम्हाला भौतिक स्पष्टीकरण हवे आहे
- तुम्हाला दोष स्थानिकीकरण हवे आहे
- तुम्हाला भविष्याचा अंदाज हवा आहे

किंमत

- मूलभूत: एक डेटासेट, अहवाल + CSV (कोटसाठी संपर्क साधा)
- मानक: 3 डेटासेटपर्यंत, तुलनात्मक विश्लेषण, एक प्रश्नोत्तर फेरी
- प्रगत: बॅच विश्लेषण, सानुकूल पॅरामीटर्स, स्त्रोत कोड परवाना

FAQ

प्रश्न: हे FFT / PSD पेक्षा कसे वेगळे आहे?
उत्तर: PSD तुम्हाला "प्रत्येक फ्रिक्वेन्सीवर किती शक्ती आहे" हे सांगते. हे साधन तुम्हाला "प्रत्येक फ्रिक्वेन्सीवर कोणत्या प्रकारची रचना आहे आणि ती कधी बदलते" हे सांगते.

प्रश्न: ते दोष शोधू शकते का?
उत्तर: नाही. यात फक्त एक-आयामी टाइम-सीरीज डेटा आहे, कोणतीही स्थानिक माहिती नाही. ते तुम्हाला "रचना बदलली" हे सांगते, "कुठे बदलली" हे नाही.

प्रश्न: वेळेची अचूकता किती आहे?
उत्तर: विंडोच्या लांबीवर अवलंबून असते. 1-सेकंदाच्या विंडोसह, संक्रमण शोध सुमारे ±1 सेकंदापर्यंत अचूक असतो.

प्रश्न: ते माझा डेटा हाताळू शकते का?
उत्तर: प्रथम तपासा: लांबी ≥ 1000 बिंदू, कोणताही मजबूत ट्रेंड नाही आणि स्पष्ट बदल अपेक्षित आहे. असे असल्यास, ते कार्य केले पाहिजे. नसल्यास, साधन तुम्हाला सांगेल की ते विश्लेषण करू शकत नाही.