我的第一篇文章为任何错误道歉。
我正在尝试对模拟的昼夜节律数据集进行频谱分析。我将数据集拆分为72小时的重叠窗口，每次移动窗口1小时，然后对每个窗口进行分析。
我已经足够容易地将数据分成窗口，并且在导入回R以执行拟合和预测之前，通过频谱重采样在MATLAB中分析窗口。在分析之前，数据是线性去除的。
我遇到的问题是，有时，合适是颠倒的，我不知道为什么。对于不同的模拟，它似乎处于不同的点。
一个窗口的数据错误地调整了谐波：
[1] -2.9136538 0.0010000 34.5624105 22.4405751 30.9085542 52.0034490 79.5249172
119.5003560 131.3097901 161.3732205 151.1808213 151.3683942 137.2054086 129.6240755
119.3947248 104.8470942 109.6584816 92.4747798 64.1060229 47.8765937 38.5499292
27.9335235 29.4226107 27.2898893 19.2395761 6.7445437 5.5157589 0.6936448
8.1536902 2.7837173 18.8406092 38.0873956 34.7811886 34.8339832 77.8551701
96.4206791 59.8705545 69.8435641 84.0060386 86.8470648 75.5799761 95.7528280
104.4698246 109.9925047 111.0268326 114.4968343 92.4072921 82.8064504 87.8407758
82.2552400 58.5038630 45.4751850 44.4046889 42.6263098 34.6088522 36.9155973
32.8585151 19.1018107 7.7472503 13.6565334 9.6832063 2.3193501 8.2114646
8.9220096 15.9007696 24.4889114 38.9416853 44.6872649 66.7847050 88.5166601
123.3687771 135.0492302
对于此特定窗口，重要频率如下：
Period Amplitude Phase
32.508896 52.346609 0.840978
11.882840 17.036845 0.733279
8.650918 6.771955 -0.573897
3.600676 8.561309 0.863454
6.661385 7.278945 -0.823185
现在，拾取的频率数量因窗口而异。这是我编写的代码，用于生成每个窗口的余弦曲线和预测的总和，并将它们放在一个矩阵中，每列都适合该窗口：
no.freq72_3 <- tabulate(freq72_3$Window)
cusum72_3 <- cumsum(no.freq72_3)
length <- 28
forecast72_3 <- matrix(NA, nrow=(dim(window72_3)[1])+length,
ncol=length(no.freq72_3))
for(i in 2:length(no.freq72_3)){
tt72_3 <- matrix(NA, nrow=(dim(window72_3)[1])+length, ncol=no.freq72_3[i])
t72_3 <- c()
a72_3 <- c()
ph72_3 <- c()
for(j in 1:no.freq72_3[i]){
t72_3[j] <- freq72_3[j+cusum72_3[i-1],2]
a72_3[j] <- freq72_3[j+cusum72_3[i-1],3]
ph72_3[j] <- freq72_3[j+cusum72_3[i-1],4]
}
for(j in 1:no.freq72_3[i]){
for(l in 1:((dim(window72_3)[1])+length)){
tt72_3[l,j] <- a72_3[j]*cos((2*pi*(1/t72_3[j])*l)+ph72_3[j])
}
}
forecast72_3[,i] <- rowSums(tt72_3, na.rm=TRUE)
}
现在，这是我编写的用于绘制所需窗口的函数：
fore_win72_3 <- function(x){
data <- window72_3[, x]
fore <- forecast72_3[, x]
trend <- time(data)
reg1 <- lm(data ~ trend, na.action=NULL)
detrend <- data - fitted(reg1)
plot(detrend, xlim=c(0, dim(forecast72_3)[1]))
lines(fore)
}
fore_win72_3(100)
我会添加情节，但我没有足够的声誉。 任何帮助将不胜感激！ 如果有任何编辑我可以做的比让我知道更容易！ 感谢。