运用时间分类树的确定单时钟时间自动机学习

时间自动机的模型学习算法旨在通过提供输入和观察输出构建软硬件系统的形式化模型.确定性单时钟时间自动机的学习是其中的一个重要研究方向,但是该算法具有一定的局限性,在状态较多时学习速度较慢,很难应用到复杂的系统中.由此,提出了一种改进的学习算法,使用逻辑时间分类树代替逻辑时间观察表作为学习算法的内部数据结构,有效地减少了成员查询次数,降低了算法的空间复杂度,并能够高效率地构建假设自动机.最后进行了相关实验,实验结果表明,提出的改进算法减少了60%左右的成员查询和5%左右的等价查询.同时在该实验中,改进算法的学习速度最高可提高45倍以上.

增强局部注意力的时间序列分类方法

现有时间序列分类方法普遍基于一种循环网络结构解决时间序列点值耦合问题,无法并行计算,导致计算资源浪费,因此提出一种增强局部注意力的时间序列分类方法。该方法拟合混合距离信息以增加时间序列位置感知能力,将混合距离信息融入自注意矩阵计算中,从而扩展自注意力机制;构造多尺度卷积注意力获取多尺度局部前向信息,以解决标准自注意力机制基于点值计算存在注意力混淆的问题;使用改进后的自注意力机制构造时序自注意分类模块,并行计算处理时间序列分类任务。实验结果表明,与现有时间序列分类方法相比,基于局部注意力增强的时间序列分类方法能够加速收敛,有效提高时序序列分类效果。

基于自监督学习的多数据增广时间序列分类算法

时间序列分类算法广泛应用于医疗诊断、金融预测等领域。然而,在解决时间序列分类问题时,深度学习模型通常面临数据标注困难等挑战。为了克服这些困难,本文提出了一种基于自监督学习的时间序列分类算法。该算法通过对时间序列片段进行数据增广,并设计区分数据增广形式的自监督辅助任务来挖掘时间序列的局部信息,以提高分类性能。实验结果表明,该算法在五个基准时间序列数据集上展现出优异的分类性能,并超过了现有方法。

基于异构特征融合的多维时间序列分类算法

随着大数据时代的到来和传感器的发展,多维时间序列分类问题成为数据挖掘领域的重要问题。多维时间序列存在维度高、维度间关系复杂、数据形态多变的特点,从而生成巨大的特征空间。现有方法难以选取有区分力的特征,导致方法的准确度普遍较低。另一方面,现有方法的分类结果的可解释性较差。针对上述问题,提出了一种基于异构特征融合的多维时间序列分类算法。该算法融合了时域、频域和区间统计值这3种特征并对特征进行聚类,从而找到最有代表性的特征。首先为每个维度提取不同类型的代表性特征,再通过多维度特征转换的方法融合所有维度的不同类型的特征,形成特征向量,并基于此训练分类模型。为了提高分类结果的可解释性,算法基于树结构生成不同类型的候选特征集合,然后通过聚合消除冗余和相似的特征,最终获得少量代表性特征。为了验证所提算法的有效性,在公开的UEA数据集上进行了大量实验。实验结果显示,所提算法的准确性、特征融合的合理性,以及分类结果的可解释性均优于现有方法。

基于早期时间序列分类的可解释实时机动识别算法

战斗机机动识别是判断战斗机战术意图的基础,然而现有的机动识别方法实时性不强且不具有可解释性,无法满足空战中对实时性的要求且不利于人机互信。设计基于早期时间序列分类的实时机动识别算法,将完整机动切分为机动单元,使用集成学习算法对机动单元进行识别并实时监控,以满足实时性要求并获得高识别精度。算法使用可解释模型,通过特征贡献度进行模型解释,使模型更透明从而降低空战决策者的决策风险。选择盘旋、斤斗等9种不同机动动作进行仿真实验,结果表明:在完整机动动作执行到20%时,所提算法即可识别其机动类别,识别准确率可达93%。

基于图正则化自编码回声状态网络的时间序列分类算法

回声状态网络(Echo State Network,ESN)能够为解决时间序列问题提供有效的动态解决方法,然而大多数情况下ESN模型主要用于预测而不是分类,ESN在时间序列分类任务的应用尚未得到充分的研究。传统ESN由于存在随机生成的输入权重,使得其性能并不能保证最优。随机生成的权重在特征映射时,可能会破坏有用的特征。针对这些缺点,提出了一种针对时间序列分类任务的基于图正则化自编码的回声状态网络模型(GRAE-ESN),利用流形学习考虑数据内在的流形结构,来约束输出权重使得相似样本的输出在新的空间中更加接近,之后将ESN结构中的输入权重用解码层获得的权重所替换,以学习到丰富的输入特征。在基准数据上的实验表明,所提出的GRAE方法能够有效的改进ESN分类器,在与多个主流算法和深度学习算法相比,该算法具有更好的性能和鲁棒性。

基于持续同调的倾斜时间序列分类算法

针对现有时间序列分类算法对高维拓扑信息以及时序顺序信息提取能力不足等问题,提出一种基于持续同调的倾斜时间序列分类算法。该算法结合时序数据方差,将原始单变量时序数据嵌入二维点云,同时展现出周期内和周期间的时序变化;在滑动窗口划分的子区间上进行时间倾斜,将点云分解为不同结构,从而使算法适应更多的时序数据,有效捕捉时序顺序信息;利用持续同调技术在点云上构建Vietoris-Rips(VR)复形流,从不同尺度分析各个维度下孔洞数量的变化,从而提取到更全面的时序数据的拓扑结构特征,并通过计算持久性图像得到点云中的拓扑特征。在此基础上,以持久性中心表示向量作为输入,使用随机森林模型对点云进行分类。在9个UCR时间序列数据集上进行对比实验,结果显示,该算法在其中8个数据集上取得了最高的准确率,相较于其他6种传统时间序列分类算法分类准确率提高了0.5~24个百分点,F1值提高了0.9~23.9个百分点,表明该算法在时间序列数据分类方面具有较高的精度和良好的鲁棒性。

基于深度学习的时间序列分类问题研究

随着数据量的日益增加和复杂性的提升,传统的时间序列分析法逐渐显露出局限性。在此背景下,深度学习算法因其强大的特征提取能力和高效的学习机制,被视为解决时间序列分类问题的有力工具。因此,探索深度学习模型在时间序列分类中的应用,不仅对推动相关理论的发展具有重要意义,也对实际应用领域产生了深远影响。文章深入分析深度学习模型在时间序列分类问题中的应用,以期为时间序列数据的有效分类提供理论指导和实际应用策略。

基于多级小波分解时间序列的花椒图像分类识别模型

为提升花椒图像分类识别准确率,借助自适应多级小波分解的时间序列分类(Adaptive Multi-level Wavelet Decomposition based neural network,AMWDNet)模型,着重关注此分类模型中的频域信息,克服从时域出发对目标序列进行建模造成频域信息缺失的瓶颈。本研究借鉴小波分解技术,结合长、短期时间模式提取方法,构建出更加精确、更加实时的时间序列花椒识别模型。经过对比试验研究发现,在UCR数据库中的4个数据集测试上,AMWDNet模型表现出优异的分类性能和强大的泛化能力,超过其他3个基准模型,由此提升花椒图像分类识别准确率。

基于局部距离特征的多模态融合CNN时间序列分类

针对动态时间规整时间序列分类中存在的动态匹配信息丢失问题,提出一种基于局部距离特征的多模态融合CNN时间序列分类。提出一种新的特征,称为局部距离特征,当给定DTW(Dynamic Time Warping)的非对称斜率约束时,即使对于不同长度的时间序列,局部距离特征向量的长度均可以固定,并且增加了动态时间规整输入对于时序内在特征失真的鲁棒性。进一步在多模态融合CNN中结合了局部距离特征和坐标特征。探索不同的原型选择方法、原型数目和数据融合方案对精度的影响。通过对典型的时间序列数据集进行分类实验,实验结果表明该方法可以有效提高分类精度。

基于迁移学习Boosting的跨时间脑力负荷识别研究

在航天任务中对脑力负荷的有效检测可以保障任务执行效率和生产安全,预测航天员的表现。针对跨时间脑力负荷检测,依据MATB任务设计了包含不同难度任务的跨时间实验范式,采集了14名志愿者3次不同时间的脑电数据。基于迁移学习Boosting方法,引入辅助数据,设计了基于TrAdaboost的跨时间脑力负荷识别算法,在没有目标数据参与的情况下进行了跨时间的分类识别。探索了最佳分段长度和辅助样本比例对识别效果的影响,并基于多个数据样本进行了决策研究,跨时间下的脑力负荷最佳识别准确率达到74.73%。结果表明,提出的跨时间脑力负荷分类框架实现了脑力负荷的有效识别。

融合时序分类的科技领域实体增长预测研究

[目的/意义]科技领域实体增长机制是进行预测型科技情报分析的核心,要有效地进行科技发展态势感知和预测,必须深入了解科技领域细粒度知识增长机制。文章提出并验证了融合时序分类的科技领域实体增长预测方案。[方法/过程]首先,根据实体词频时间序列的增长模式,将实体分为可拟合、有趋势和无规律3种类别;其次,利用曲线拟合、局部加权回归方法抽取特征,构建特征向量,再用MLP模型实现了高精度的实体分类;最后,构建融合时序分类的集成模型与基线模型进行对比验证效果。[结果/结论]根据实验结果,验证显示集成预测模型相对于基线模型,误差减少了13%以上,进一步证实了预测结果在科学性和准确性方面的优势。综合考虑,所提出的融合时间序列分类的实体增长预测方案在可行性和应用价值方面具备潜力。

基于时间序列分类任务的智能电能表负荷监测技术研究

随着深度学习模型在非侵入式负荷监测领域的应用,负荷识别与分解的能力得到了显著提升。但是多数方法仍然存在模型训练效率低下、分解精度不足以及模型不易推广的问题。针对上述问题,文章利用基于时间序列分类任务的卷积神经网络对非侵入式负荷监测框架进行了研究,并提出了相应的负荷识别与分解方法。通过对比实验证明,在UK-DALE数据集上,基于时间序列分类任务的卷积神经网络提升了洗碗机4.3%的识别准确率和19%的识别精度,降低了21.3%负荷分解过程的均方误差;在REDD数据集上,模型对于洗衣机的识别准确率、精度和F1值均有所提升,特别是召回率提高了24.3%,同时在负荷分解的过程中,模型降低了15.8%的均方误差。因此,与其它神经网络模型相比,基于时间序列分类任务的卷积神经网络具有更稳定的负荷识别与分解性能。

基于人工神经网络的大地电磁时序分类研究

随着社会的发展,各类干扰日益加剧,高质量的大地电磁采集也变得愈加困难。为了提高数据质量,学者们针对不同类型的噪声提出了很多对应的去噪方法,由于大地电磁数据量都比较大,去噪前不可能对每条数据进行人工判读,急需一种高效率的噪声识别和分类方法。基于此,本文将人工神经网络应用于大地电磁时间序列分类中,为了选取最为合适的大地电磁时间序列分类网络模型,使用模拟方波、工频、脉冲噪声以及实测无噪声数据4类时间序列类型,分别对LSTM、FCN、ResNet、LSTM-FCN及LSTM-ResNet模型进行了噪声分类训练和实测数据分类对比试验。结果表明,FCN及LSTM-FCN在大地电磁时序分类中具有相对较好的效果。其中,FCN模型对实测数据分类准确率最高可达99.84%,每个epoch平均用时9.6 s,LSTM-FCN较FCN具有更高的分类精度,实测数据集最高分类准确率近乎100%,但是其每个epoch平均用时24.6 s,且较FCN也更易过拟合。总体来看,如果数据量较少使用LSTM-FCN可以获取更高的分类精度,数据量较大时需考虑时间成本,使用FCN则更为合适。最后,利用LSTM-FCN分类模型和LSTM去噪模型搭建了大地电磁噪声处理系统,对含有不同类型噪声的大地电磁数据进行了成功处理。

基于Transformer特征融合的时间序列分类网络

在时间序列分类任务中,模型集成方法通过训练多个基础模型并利用一定的规则来聚合基础模型的输出,从而得到比单一基础模型更准确的结果。目前模型集成方法主要关注基础模型的选择以及如何提高基础模型的差异性和多样性,忽视了对聚合规则的探索。针对这一问题,提出了基于Transformer特征融合的时间序列分类网络(Transformer Feature Fusion Network,TFFN)。该网络包含二重Transformer编解码器(Dual Transformer Encoder Decoder,Dual TED)和基于Transformer的具有样本分布感知特性的分类模块(Transformer Encoder Head,TEH)两个核心组件。Dual TED利用Transformer的注意力模块对基础特征进行提取和融合,得到具有更强辨别性的融合特征。具有样本分布感知特性的分类模块根据融合特征对时间序列进行更准确的分类,从而弥补现有集成模型方法忽视特征融合、集成规则过于简单的不足。实验结果表明,TFFN在多个主流时间序列分类数据集上取得了最好的成绩。

基于样本间潜在关系的多变量时间序列分类

多变量时间序列(multivariate time series,MTS)分类任务旨在确定多变量时间序列样本的标签。多变量时间序列数据存在时序关系和样本相似性关系等丰富的关系信息,然而现有的算法未能充分利用关系信息导致分类性能难以提升。基于此,文章提出一种基于图卷积网络(graph convolutional network,GCN)的多变量时间序列分类方法,通过挖掘样本间的潜在关系来提高分类性能。为了有效表示样本关系,设计基于样本相似度的构图规则,对样本数据进行建模从而将样本的时序特征和潜在关系信息映射到图空间中,提出基于图卷积的分类模型,通过聚合样本特征来捕获有利于分类的潜在样本关系,更新到样本自身特征向量以提升分类精度。在11个公共数据集上的大量实验结果表明,该文所提算法优于12种对比算法,可见通过挖掘时间序列数据之间潜在的关系用于分类对分类结果具有重要影响,从而为处理时间序列分类问题提供一种新的途径。

基于优化Shapelet的时间序列分类方法

基于Shapelet的时间序列分类算法具有可解释性强、准确率高、速度快的优点,然而在Shapelet发现过程中存在Shapelet产生冗余和形式局限的缺点,严重制约了算法性能的提高。针对这一问题,提出一种基于优化Shapelet的时间序列分类算法,该方法首先利用K-means生成典型的Shapelet候选集,加速Shapelet的生成过程;然后,融合相似性和类标差异性提出Shapelet的选取模型,确保Shapelet的多样性和精简性;最后,提出优化策略获取最佳的Shapelet,并以此为基础实施时间序列分类。实验结果表明:该方法具有较高的分类准确率,并对位移和扭曲特征明显的数据集具有良好的分类效果。

面向时间序列的混合图像化循环胶囊分类网络

针对时间序列图像化缺少时间关联关系与空间位置关系的问题,提出面向时间序列的混合图像化循环胶囊神经网络(FIR-Capsnet)以融合并提取时间序列图像的时空信息。首先通过格拉姆角场(GAF)、马尔可夫跃迁场(MTF)与重现图(RP)方法捕获时间序列图像的多水平时空特征;然后利用胶囊神经网络的旋转不变性与路由迭代算法学习时间序列图像的空间关系;最后引入长短时记忆(LSTM)网络的门机制学习时间序列数据隐含的时间关联性。实验结果表明,FIR-Capsnet在30个UCR公开数据集上取得15次胜利;并且在人体活动识别(HAR)数据集上相较于Fusion-CNN、FIR-Capsnet的分类准确率提高7.2个百分点,说明了FIR-Capsnet处理时序数据的优势。

BSPST:形变监测仪器故障分类算法

针对现有形变监测仪器发生故障时故障类别难以准确分类的问题,提出了一种基于最大区分子序列(Shapelet)转换的时间序列分类算法(best qualify Shapelet Transform,BSPST)。为了提升Shapelet质量,利用布隆过滤器和相似度匹配保留一组高质量的候选Shapelet来构建分类模型,BSPST利用布隆过滤器筛选出同类别中重复的符号聚合近似(symbolic aggregation approximation,SAX)单词。随后通过位图中标记的单词来评价SAX单词的重复度,以此去除类别中相似的SAX单词。最终将处理后的符号聚合近似单词转化为高质量的Shapelet。通过Shapelet转换技术,对数据进行转换。最后采取集成分类器进行分类。根据地震形变仪器故障数据建立了7个地震设备故障数据集,并结合东安格利亚大学和加州大学河滨分校时间序列分类仓库中选取的44个数据集和具代表性的最先进的方法进行了充分的实验验证。结果表明,BQST算法在分类精度、分类速度上稳居前列,有效解决了形变监测仪器的故障分类问题。