利用时间序列X计算出相关的特征指数，组成序表T：

原则上，从T中筛选出满足条件的特征指数就能够发现指定形状的曲线段Sp了。

Sp=T.select(a⁽¹⁾≤f⁽¹⁾≤b⁽¹⁾ , a⁽²⁾ ₁≤f⁽²⁾≤b⁽²⁾ ,…)

其中f⁽ⁱ⁾是第i个特征指数，a⁽ⁱ⁾和b⁽ⁱ⁾是参数，是第i个特征指数的筛选条件。

理论上讲，指数特征能够表征曲线的形状特点，组合以后就可以筛选指定的形状了，但实际使用时存在一些问题：

1. 时间序列不同，即使是同一个特征指数的量纲也可能不同。

如:

X=[2,3,1,4,5,…]

Y=[2000,3000,1000,4000,5000,…]

以升降指数为例，X算出的升降指数基本是个位数，Y算出的升降指数基本是四位数。

2. 同一个时间序列，不同特征指数的量纲也可能不同。

如:

Y=[2000,3000,1000,4000,5000,…]

Y算出的升降指数是四位数，振频指数不太可能是四位数。

因为存在这些问题，设置a⁽ⁱ⁾和b⁽ⁱ⁾时就变得非常麻烦，每一个时间序列、每一个特征甚至是每一个时段的参数设置都不同，参数不好设置，也就无法发现指定形状了。

标准化是将特征指数进行线性变换，即将特征指数投射到一个固定区间内。我们不希望改变特征指数，只要对筛选参数做反向变换就可以了，即把参数固定在一个简单区间（如[0,1]或[-1,1]）内，将参数反向投射到各个特征指数上，最后根据投射后的参数筛选形状。最常用的简单区间是[0,1]，但考虑到一些特征指数的特点，如升降指数，负数表示下降，正数表示上升，0本身也有其特殊的意义即不升不降，用区间[0,1]会增加计算量，而[-1,1]更适合作为参数区间。

有些特征指数0有特殊含义（如升降指数），需要分段投射，即最小值与-1对应，最大值与1对应，0与0对应，负值与正值分别进行线性变换。有些特征只有正数（如振幅指数）可以进行简单线性投射，即1对应最大值，-1对应最小值，其他值进行线性变换就可以了。

0有特殊含义的特征指数（如升降指数）这样投射：

假设特征指数的最大值是f_max，最小值是f_min。将[f_min，0]投射到[-1,0]，[0,f_max]投射到[0,1]，特征指数f与筛选参数a的函数关系为：

F(a)=if(a=0,0,if(a<0,- f_min *a, f_max*a)),a∈[-1,1]

取值只有正数的特征指数（如振幅指数）这样投射：

F(a)=( f_max-f_min)*a/2+( f_max+f_min)/2,a∈[-1,1]