dictDraw.m

% % % % % % % % % % % % % % % % % % % % % % % % % % %
% Test signal dimension
% % % % % % % % % % % % % % % % % % % % % % % % % % %

% clear
% clc
% 
% %% % % % % % % % % % % % % % % % % % % % % % % % % % %
% % Prepare raw data
% % % % % % % % % % % % % % % % % % % % % % % % % % % %
% 
% RawInpLoad = load('15814m_ltdbECG_1h.mat');
% RawInpLoad = RawInpLoad.val;
% n_dl = 128;
% epochs = floor(length(RawInpLoad) / n_dl);    % 4517
% RawInpLoad = RawInpLoad(1:n_dl * epochs);
% 
% %% % % % % % % % % % % % % % % % % % % % % % % % % % %
% % Prepare training and testing data
% % % % % % % % % % % % % % % % % % % % % % % % % % % %
% 
% batchsize = 50;
% atoms = 512;
% 
% RawInp = RawInpLoad(1:n_dl*epochs);
% RawInp = reshape(RawInp , n_dl, epochs);
% crossValidFactor = 0.8;
% 
% indexD = randperm(atoms);
% initD = RawInp(:, indexD);
% initD = initD - repmat(mean(initD),[size(initD,1),1]);
% initD = initD ./ repmat(sqrt(sum(initD.^2)),[size(initD,1),1]);
% 
% RawInp = RawInp(:,atoms+1:end);
% epochs = epochs - atoms;
% 
% TrainInp = RawInp(:, 1 : floor(epochs*crossValidFactor));
% TrainInp = TrainInp - repmat(mean(TrainInp),[size(TrainInp,1),1]);
% TrainInp = TrainInp ./ repmat(sqrt(sum(TrainInp.^2)),[size(TrainInp,1),1]);
% 
% %% % % % % % % % % % % % % % % % % % % % % % % % % % %
% % Setting parameters for training
% % % % % % % % % % % % % % % % % % % % % % % % % % % %
% 
% param.K = 512;  
% param.lambda = 0.01;            % sparsity constraint 
% param.numThreads = -1; 
% param.batchsize = batchsize;
% param.verbose = false;
% param.iter = floor(size(TrainInp,2) / param.batchsize); 
% % param.clean = false;
% % param.verbose = true;
% 
% %%
% 
% disp('Starting to  train the dictionary');
% 
% [D,basis,~] = mexTrainDL(TrainInp,param);
% coef = mexLasso(TrainInp,D,param);
% R1 = mean(0.5*sum((TrainInp-D*coef).^2) + param.lambda*sum(abs(coef)));
% 
% objBasis = cell(1,param.iter);
% for i = 1 : param.iter
%     objBasis{i} = basis(:,(i - 1) * param.K + 1 : i * param.K);
% end

%%

delay = 0.01;
numOfAtoms = 10;
randAtoms = randperm(param.K);

writerObj  = VideoWriter('./Results/DictEvo.avi');
writerObj.FrameRate = 5; 
open(writerObj);
fig = figure('units','normalized','outerposition',[0 0 1 1]);

%%
han = annotation('textbox', [0.4,0.89,0.1,0.1], 'String', 'batch index for training: 1');
% for i = 1 : param.iter  
for i = 1 : 60
    for j = 1 : numOfAtoms
        h = subplot(2,5,j);
        cla(h);
        plot(objBasis{i}(:,randAtoms(j)));
        
        axis([0 n_dl -0.4 0.4]);
        title(['Atom: ',num2str(randAtoms(j))]);
        xlabel('Time Samples');
        ylabel('Normalized Amplitude');
        
        frame = getframe(fig);
        writeVideo(writerObj,frame);
        
    end
	pause(delay);
    delete(han);
    han = annotation('textbox', [0.4,0.89,0.1,0.1], 'String', ['batch index for training: ',num2str(i)]);
end

close(writerObj);


%%
% field1 = 'muA'; value1 = zeros(1,param.iter);
% field2 = 'j';   value2 = zeros(1,param.iter);
% field3 = 'k';   value3 = zeros(1,param.iter);
% 
% s = struct(field1,value1,field2,value2,field3,value3);
% 
% for i = 1 : param.iter
%     temp = 0;
%     for j = (i - 1) * param.K + 1 : i * param.K
%         for k = j+1 : i * param.K
%             temp = abs(basis(:,j)' * basis(:,k)) / (norm(basis(:,j)) * norm(basis(:,k)));
%             if(temp > s.muA(i))
%                 s.muA(i) = temp;
%                 s.j(i) = j;
%                 s.k(i) = k;
%             end
%         end
%     end
% end
%