基于2DSVD的多变量时间序列半监督分类

目前时间序列半监督分类研究主要集中在单变量时间序列,由于多变量时间序列(MTS)变量之间存在复杂关系, MTS的半监督分类研究比较少.针对这种情况,提出一种基于二维奇异值分解的MTS半监督分类方法,该方法首先计算行-行以及列-列协方差矩阵的特征向量,然后从MTS样本中提取特征矩阵;特征矩阵的行数以及列数不仅比原MTS样本低,而且还清晰地考虑了MTS样本的二维特性.在10个MTS数据集上的实验结果表明,该方法的分类性能显著地好于使用扩展Frobenius范数、中心序列、以及基于一维奇异值分解的半监督分类方法.

基于2DSVD特征提取的工业设备故障诊断

工业设备数据通常具有“多变量+时序”的复杂二维特性,而在当前工业设备故障诊断领域,主流的特征提取方法只提取了一维特征。针对特征提取不充分的问题,提出一种基于2DSVD特征提取的工业设备故障诊断方法,该方法首先使用故障诊断训练样本集构造行-行以及列-列的协方差矩阵,然后通过协方差矩阵的特征向量提取样本特征,最后结合KNN算法对特征集合进行分类,实现故障诊断。使用2DSVD方法提取的特征矩阵不仅行数及列数比原故障诊断样本低,而且充分考虑了样本的二维特性。同时,构建了基于2DSVD+KNN的故障诊断模型,并利用自动洗车机实验数据与传统的只基于1维特征提取的方法以及无特征提取的方法进行对比实验,实验结果表明基于2DSVD特征提取方法的故障诊断准确率有明显的提高。

基于二维奇异值分解的多元时间序列相似匹配方法

多元时间序列(Multivariate Time Series,MTS)广泛应用于医学、经济、多媒体等领域。针对其相似模式匹配问题,该文提出一种基于2维奇异值分解(Two-Dimensional Singular Value Decomposition,2DSVD)的匹配方法。2DSVD是经典奇异值分解的扩展,能准确地描述MTS的本质特征。首先对MTS进行2DSVD分解;然后将MTS按行、列组成的协方差矩阵的主特征向量结合原MTS矩阵组成其模式表示矩阵,并借助Euclid范数来度量两个特征模式矩阵之间的相似程度,进而进行多元时间序列的模式匹配。最后通过与直接欧氏距离法、主成分分析、趋势距离、基于点分布特征4种相似匹配方法对3种不同数据规模的数据集进行对比实验,验证了所提方法刻画多种数据规模的多元时间序列特征的有效性和高效性。

基于数据块的多变量时间序列相似性度量

针对现有经典的时序数据相似性度量方法共同主成分分析(CPCA)和二维奇异值分解(2DSVD)中存在无法保存时序数据集合中蕴涵的某些重要局部特征的问题,提出了基于数据分块方式的CPCA方法和2DSVD方法。该算法首先对原始多变量时间序列数据进行分块处理,然后对分块得到的子矩阵采用CPCA、2DSVD进行特征提取,从而得到代替原始模式的低维新模式,最后在低维空间中利用最小距离法构建分类器对多变量时间序列进行分类。EEG数据分类实验证明了所提方法的有效性。