经典SAX符号化算法

经典的时间序列符号化算法SAX，该算法通过将一条时间序列等区间划分，利用每个区间的均值代表该区间序列，进而采用相应的符号进行描述，该算法可以实现时间序列的符号化表示，达到降维的目的，并能够通过MATLAB进行可视化描述

% Copyright and terms of use （DO NOT REMOVE）:
% The code is made freely available for non-commercial uses only provided that the copyright 
% header in each file not be removed and suitable citation（s） （see below） be made for papers 
% published based on the code.
%
% The code is not optimized for speed and we are not responsible for any errors that might
% occur in the code.
%
% The copyright of the code is retained by the authors.  By downloading/using this code you
% agree to all the terms stated above.
%
%   [1] Lin J. Keogh E. Lonardi S. & Chiu B. 
%   “A Symbolic Representation of Time Series with Implications for Streaming Algorithms.“ 
%   In proceedings of the 8th ACM SIGMOD Workshop on Research Issues in Data Mining and 
%   Knowledge Discovery. San Diego CA. June 13 2003. 
%
%
%   [2] Lin J. Keogh E. Patel P. & Lonardi S. 
%   “Finding Motifs in Time Series“. In proceedings of the 2nd Workshop on Temporal Data Mining 
%   at the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 
%   Edmonton Alberta Canada. July 23-26 2002
%
% This function demonstrates that mindist lower-bounds the true euclidean distance
%
% Copyright （c） 2003 Eamonn Keogh Jessica Lin Stefano Lonardi Pranav Patel Li Wei.  All rights reserved.
%
function mindist_demo

temp = sin（0:0.32:20）‘;                  % make a long sine wave
time_series_A = temp（[1:32]）;           % make one test time series from the sine wave
time_series_B = temp（[12:43]）;          % make another test time series from the sine wave

time_series_A = （time_series_A - mean（time_series_A）） / std（time_series_A）;
time_series_B = （time_series_B - mean（time_series_B）） / std（time_series_B）;

alphabet_size = 4; % Choose an alphabet size

plot（ [time_series_A  time_series_B]） % View the test time series

% Now let us create a SAX representation of the time series
sax_version_of_A = timeseries2symbol（time_series_A328 alphabet_size）
sax_version_of_B = timeseries2symbol（time_series_B328 alphabet_size）

% compute the euclidean distance between the time series
euclidean_distance_A_and_B = sqrt（sum（（time_series_A - time_series_B）.^2））

% compute the lower bounding distance between the time series
min_dist（sax_version_of_A sax_version_of_B alphabet_size4）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4382  2006-04-21 12:23  SAX\min_dist.m
     文件        2344  2006-04-21 12:23  SAX\mindist_demo.m
     文件        8454  2003-11-26 12:28  SAX\README.txt
     文件       33280  2006-04-22 14:19  SAX\SAX.doc
     文件        5432  2015-09-25 09:11  SAX\sax_demo.m
     文件       17408  2006-04-21 11:57  SAX\sax_to_20.xls
     文件        6082  2006-04-21 12:24  SAX\symbolic_visual.m
     文件        8033  2006-04-21 12:17  SAX\timeseries2symbol.m