【技术实现步骤摘要】
一种数据序列构建方法、装置及电子设备
本专利技术涉及数据处理
，特别是涉及一种数据序列构建方法、装置及电子设备。
技术介绍
各种应用场景中所使用的数据序列，通常是沿着时间轴在各个采样时刻采集数据得到的。数据序列的采样频率由采样间隔决定，采样间隔越大，所采集数据的采样频率越低，相反，采样间隔越小，所采集数据的采样频率越高。一些测量设备出于自身设计的限制，或者，实际应用场景的限制，采集到的数据序列的采样频率可能较低，无法满足用户的实际需求。为了满足用户的实际需求，可以基于低采样频率数据序列，构建高采样频率数据。现有技术中，可以是在低采样频率数据序列中相邻数据之间，插入经由插值得到的数据，以降低相邻数据之间的时间间隔，示例性的，假设低采样频率数据序列包含有3个数据，对应的采样时刻分别为t＝0ms、t＝10ms、t＝20ms，可以是利用插值法得到采样时刻为t＝5ms和t＝15ms的数据，并将插值得到的数据插入低采样频率数据序列中，得到相邻数据之间的时间间隔为5ms的高采样频率数据序列。但是，由于低采样频率数据序列中包含的数据有限，无法准确地反映出低采样频率数据序列的...
【技术保护点】
1.一种数据序列构建方法，其特征在于，所述方法包括：获取原始数据序列；将所述原始数据序列输入至预设神经网络，构建采样频率为目标采样频率的数据序列，其中，所述目标采样频率为所述原始数据序列采样频率的k倍，k为大于1的有理数，所述预设神经网络为预先训练完成的用于提高数据序列的采样频率的神经网络。
【技术特征摘要】
1.一种数据序列构建方法，其特征在于，所述方法包括：获取原始数据序列；将所述原始数据序列输入至预设神经网络，构建采样频率为目标采样频率的数据序列，其中，所述目标采样频率为所述原始数据序列采样频率的k倍，k为大于1的有理数，所述预设神经网络为预先训练完成的用于提高数据序列的采样频率的神经网络。2.根据权利要求1所述的方法，其特征在于，所述预设神经网络预先经过多个样本数据组的训练，所述多个样本数据组中每个样本数据组，包括第一样本数据序列和第二样本数据序列，所述第一样本数据序列为所述第二样本数据序列的子序列，并且所述第一样本数据序列中相邻数据的时间间隔相等，所述第一样本数据序列的采样频率等于所述原始数据序列的采样频率，并且所述第二样本数据序列的采样频率等于所述目标采样频率。3.根据权利要求1所述的方法，其特征在于，所述预设神经网络包括：特征提取子网络、特征映射子网络和构建子网络；所述将所述原始数据序列输入至预设神经网络，构建采样频率为目标采样频率的数据序列，包括：利用所述特征提取子网络，获取第一原始数据特征，所述第一原始数据特征为原始数据序列的数据特征；利用所述特征映射子网络，对所述第一原始数据特征进行非线性映射，得到第一非线性数据特征，所述第一非线性数据特征为所述原始数据序列的非线性数据特征；利用所述构建子网络，基于所述第一非线性数据特征，构建采样频率为目标采样频率的数据序列。4.根据权利要求3所述的方法，其特征在于，通过以下方法对所述预设神经网络进行预先训练：利用所述特征提取子网络，获取第二原始数据特征，所述第二原始数据特征为所述第一样本数据序列的数据特征；利用所述特征映射子网络，对所述第二原始数据特征进行非线性映射，得到第二非线性数据特征，所述第二非线性数据特征为所述第一样本数据序列的非线性数据特征；利用所述构建子网络，基于所述第二非线性数据特征，构建采样频率等于所述第二样本数据序列的采样频率的数据序列，作为所述第一样本数据序列的目标数据序列；根据所述目标数据序列和所述第二样本数据序列，训练所述特征提取子网络、所述特征映射子网络以及所述构建子网络。5.根据权利要求3所述的方法，其特征在于，所述利用所述特征映射子网络，对所述第一原始数据特征进行非线性映射，得到第一非线性数据特征，包括：利用所述特征映射子网络中的卷积层，对所述第一原始数据特征进行非线性映射，得到本次非线性映射所输出的非线性数据特征；将所述第一原始数据特征和上次非线性映射所输出的非线性数据特征输入至所述卷积层，得到本次非线性映射所输出的非线性数据特征；返回执行所述将所述第一原始数据特征和上次非线性映射所输出的非线性数据特征输入至所述卷积层，得到本次非线性映射所输出的非线性数据特征的步骤，直至进行了预设次数的非线性映射，所述预设次数大于1；将每次非线性映射所输出的非线性数据特征，作为第一非线性数据特征；所述利用所述构建子网络，基于所述第一非线性数据特...
【专利技术属性】
技术研发人员：王兵，
申请(专利权)人：北京猎户星空科技有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。