معرفی شرکت ها
dtwhaclustering-1.0.9
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Codes to perform Dynamic Time Warping Based Hierarchical Agglomerative Clustering of GPS data
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | dtwhaclustering-1.0.9 |
| نام | dtwhaclustering |
| نسخه کتابخانه | 1.0.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Utpal Kumar |
| ایمیل نویسنده | utpalkumar50@gmail.com |
| آدرس صفحه اصلی | https://github.com/earthinversion/DTW-based-Hierarchical-Clustering |
| آدرس اینترنتی | https://pypi.org/project/dtwhaclustering/ |
| مجوز | Apache 2.0 |
# Dynamic Time Warping based Hierarchical Agglomerative Clustering
Codes to perform Dynamic Time Warping Based Hierarchical Agglomerative Clustering of GPS data
## Documentation
Installation and usage information can be obtained from the documentation: [dtwhaclustering.pdf](docs/build/latex/dtwhaclustering.pdf)
Complete documentation at: [dtwhaclustering-docs](https://dtwhaclustering.readthedocs.io/en/latest/)
## Details
This package include codes for processing the GPS displacement data including least-square modelling for trend, co-seismic jumps,
seasonal and tidal signals. Finally, it can be used to cluster the GPS displacements based on the similarity of the waveforms. The
similarity among the waveforms will be obtained using the DTW distance.
## Usage
### Least-squares modeling
```
from dtwhaclustering.leastSquareModeling import lsqmodeling
final_dU, final_dN, final_dE = lsqmodeling(dUU, dNN, dEE,stnlocfile="helper_files/stn_loc.txt", plot_results=True, remove_trend=False, remove_seasonality=True, remove_jumps=False)
```
### Plot station map
```
from dtwhaclustering import plot_stations
plot_stations.plot_station_map(station_data = 'helper_files/selected_stations_info.txt', outfig=f'{outloc}/station_map.pdf')
```
### Plot linear trend
```
slopeFile=f'stn_slope_res_U.txt'
df = pd.read_csv(slopeFile, names=['stn','lon','lat','slope'], delimiter='\s+')
plot_linear_trend_on_map(df, outfig=f"Maps/slope-plot_U.pdf")
```
__Note:__ `slopeFile` is obtained from `lsqmodeling`.
## Dynamic Time Warping Analysis
```
from dtwhaclustering.dtw_analysis import dtw_signal_pairs, dtw_clustering
import numpy as np
from scipy import signal
import matplotlib.pyplot as plt
np.random.seed(0)
# sampling parameters
fs = 100 # sampling rate, in Hz
T = 1 # duration, in seconds
N = T * fs # duration, in samples
# time variable
t = np.linspace(0, T, N)
SNR = 0.2 #noise
XX0 = np.sin(2 * np.pi * t * 7+np.pi/2) #+ np.random.randn(1, N) * SNR
XX1 = signal.sawtooth(2 * np.pi * t * 5+np.pi/2) #+ np.random.randn(1, N) * SNR
# XX1 = np.abs(np.cos(2 * np.pi * t * 3)) - 0.5
s1, s2 = XX0, XX1
dtwsig = dtw_signal_pairs(s1, s2, labels=['S1', 'S2'])
dtwsig.plot_signals()
plt.show()
```
```
dtwsig.plot_matrix(windowfrac=0.6, psi=None) #Only allow for shifts up to 60% of the minimum signal length away from the two diagonals.
plt.show()
```
## References
1. Kumar, U., Chao, B.F., Chang, E.T.-Y.Y., 2020. What Causes the Common‐Mode Error in Array GPS Displacement Fields: Case Study for Taiwan in Relation to Atmospheric Mass Loading. Earth Sp. Sci. 0–2. https://doi.org/10.1029/2020ea001159
## License
© 2021 Utpal Kumar
Licensed under the Apache License, Version 2.0
نیازمندی
| مقدار | نام |
|---|---|
| - | dtaidistance |
| - | matplotlib |
| - | pygmt |
| - | pandas |
| - | numpy |
| - | xarray |
| - | tqdm |
| - | matplotlib |
| - | numpy |
| - | scipy |
| - | pandas |
| - | scikit-learn |
| - | xarray |
| - | numpy |
| - | scipy |
| - | matplotlib |
| - | pygmt |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.5 | Python |
نحوه نصب
نصب پکیج whl dtwhaclustering-1.0.9:
pip install dtwhaclustering-1.0.9.whl
نصب پکیج tar.gz dtwhaclustering-1.0.9:
pip install dtwhaclustering-1.0.9.tar.gz