基于复杂特征的心动周期检测算法

为了解决传统算法应用于心冲击信号(Ballistocardiogram,BCG)心动周期检测时容易受到干扰导致准确率不高的问题,提出了一种基于复杂特征检测BCG心动周期的算法。该算法通过同步采集的心电图信号(Electrocardiogram,ECG)将BCG信号划分为若干子序列,提取每段子序列信号的Shapelet,利用Shapelet变换将BCG子序列与其Shapelet映射到同一空间中,将Shapelet与BCG子序列的距离作为特征。同时,提取BCG子序列的小波变换特征,将两种特征融合后,使用人工神经网络(ANN)进行心动周期的检测,并且与传统分类器进行比较。实验结果表明,提出的算法在心动周期检测方面准确率提升了2.69百分点,证明了该算法在实际检测中的可行性。

一种基于趋势距离的快速Shapelet提取算法

针对现有Shapelet提取方法无法反映趋势特点、提取结果与原始数据偏离程度略大的问题,提出了一种改进的快速Shapelet选择算法。本文首先提出了一种考虑时间序列相对趋势的距离计算方法,该方法能够更精确地度量时间序列的相似性。其次,将Shapelet特征与集成网络结合,使分类器受益于残差线性连接和注意机制,增强了算法的泛化能力。最后,在12个数据集上进行了对照试验。实验结果表明,本文方法可以获得88.0%的平均精度,与快速Shapelet算法相比平均精度提升了2.9%,尤其在ChlorineConcentration数据集上精度提高了13.3%;就加速率而言,该方法在10个数据集上的提取速度都超过了原算法,因此可以更高效地提取时间序列数据中的Shapelet。

基于励磁电流时序特征的核电多相旋转整流器二极管开路故障诊断

实现多相旋转整流器的故障诊断对保障核电系统安全稳定运行至关重要。然而,现有方法难以准确识别旋转整流器的二极管开路故障模式。为此,该文首先分析将励磁电流作为诊断变量的理论依据;然后,引入形状子特征(Shapelet)变换算法,充分利用其在可解释性和局部差异识别准确性的优势,提取和挖掘不同故障模式下励磁电流最具有代表性和辨识度的特征子序列;最后,结合机器学习分类器得到故障模式分类结果,形成完整的故障诊断方案。通过11相无刷励磁系统仿真模型和动模样机实验进行验证。结果表明,所提方法能够直观并精细表征不同类别故障电流的局部特征,变换后不同故障数据分布的差异性明显提升,仅需结合简单分类器即可实现快速、准确的故障诊断,具有实际应用潜力。

基于时序特征的网络流量分类方法

网络流量数据具有明显的时序特征.针对基于机器学习的网络流量分类方法中,传统机器学习依赖人工设计特征以及深度学习无法兼顾特征自主生成与特征可解释性等问题,采用时序分析方法,提出了一种基于时序特征的网络流量分类方法.首先,将网络流量数据预处理为时序数据;然后,应用Shapelet-Transform算法来自主学习网络流量的时序特征,并改写Shapelet-Transform算法的计算逻辑,且将其部署在GPU上,使其可以快速处理大规模网络流量数据集;最后,结合支持向量机分类算法构造了最优分类模型来实现网络流量分类.公开数据集实验测试结果表明,所提方法可以实现网络流量时序特征的自主学习,并达到与深度学习接近的分类精度,同时给出深度学习方法无法提供的可解释性分类依据.

基于LSH的shapelets转换方法

针对基于shapelets转换的时间序列分类算法因shapelets候选集中存在大量相似序列而造成耗时过长的问题,提出了一种基于LSH的shapelets转换方法(Locality Sensitive Hashing Shapelets Transform,LSHST),提出一种局部敏感哈希函数(LSH)的改进算法,对原始子序列候选集进行逐级过滤筛选,快速挑选出形态上具有代表性的shapelets集合,计算集合中shapelets的质量,采用覆盖的方法确定将要进行转换的shapelets,进一步减小shapelets的数量,进行shapelets转换。实验表明,与Shapelet Transform(ST)、ClusterShapelets(CST)和Fast Shapelet Selection(FSS)算法相比,LSHST在分类精度上最高提升了20.05、19.9和16.52个百分点,在时间节省程度上最高达8000倍、16000倍和8.5倍。

基于FastDTW-LSH的shapelet筛选方法

针对LSHST(Locality Sensitive Hashing Shapelet Transform)局部敏感哈希的shapelet转换方法中随机筛选造成更具差异性特征的子序列漏选,从而影响shpelets最终筛选质量的问题,提出了基于FastDTW-LSH的shapelet筛选方法,通过局部敏感哈希函数将高维空间中的子序列一一映射到各自对应的哈希桶中,对每个哈希桶进行FastDTW二分类判别;在各类中随机筛选出候选子序列,以供下一次哈希计算,经过多次哈希操作筛选出解释性更强的shapelets.实验结果表明,与LSHST相比,在shapelets转换时间未显著增加的前提下,FastDTW-LSH方法筛选出来的shapelets在8个数据集(UCR)上分类精度明显优于LSHST,尤其在CricketZ和FiftyWords数据集上分别最高提升了11.57%和9.16%.