变换形状的砖块片段

TE将序列数据中蕴含的分类信息分为时间关联信息、形状信息及频率信息,该方法引入ACF、PCA及PS,3种不同的变换表示分别对应上述3种分类信息,然后使用线性SVM、贝叶斯网络等分类器分别对3种变换表示进行分类,最后融合3种变换表示的分类决策得到最终分类结果。虽然TE通过融合多种变换表示的分类信息而明显提升了分类效果,但这3种变换表示并未在物理意义上与3种分类信息准确对应。

在变换光学中进行坐标变换的同时，可以将材料的参数变化比如材料的大小形状，与坐标变换联系起来，进而改变光在材料中的样貌。

整体序列的频率信息描述了序列整体形状变化的快慢程度,这些信息从频率构成的角度揭示了隐藏的分类特征,是序列整体形状信息的有效补充。最为常见的频谱转换技术为DFT,基于频率信息的分类方法往往将DFT的变换系数作为特征,或从变换系数中进一步提取分类特征。然而,DFT损失了时间信息和局部信息,近些年来不再是TSC领域的研究重点。

还是惯例先分析素材我们可以发现砖块本身主要是一个位置形体的变换，没有太多的层级故我们可以用Shape做出形状后用渐变构成对应的形体

频率是序列数据单位时间内完成周期性变化的次数,序列数据的频率信息描述了整体或局部形状变化的快慢程度。复杂的序列数据被转换为不同振幅和频率的谐振荡(如正弦波)组合,这种表示方式被称为频谱。频谱变换可以对整个序列数据进行,例如DFT,目的是分析整体序列的频率信息,也可以对序列的局部区域进行,例如STFT及DWT,目的是分析局部序列的频率信息。频率信息揭示了序列数据隐藏在形状信息中的关键分类特征,在TSC中起着极其重要的作用。