一种基于SAM-BiLSTM时间序列分类方法技术

本发明专利技术公开了一种基于SAM

【技术实现步骤摘要】
一种基于SAM
‑
BiLSTM时间序列分类方法


[0001]本专利技术涉及时间序列的数据挖掘技术、深度学习领域，具体涉及一种基于SAM
‑
BiLSTM时间序列分类方法。

技术介绍

[0002]时间序列广泛存在于医疗、电力和金融等领域。时间序列的分类是非常重要的基础任务，其可以通过计算时间序列之间的相似度来实现。动态时间规整(DTW)距离被广泛认为是时间序列的最佳相似性度量。它使用动态规划算法确定最佳对齐方式，能考虑时间上的偏移、缩放和变形等。但DTW距离存在两方面的局限性。首先，动态规划算法的时间复杂度是时间序列长度的二次方，使得分类和检索的规模无法适应大型数据集。其次，DTW距离是伪度量，因为其不满足三角不等式。当与基于核函数的分类器或传统索引优化技术结合使用时，无法得到最优解。
[0003]深度学习作为当前机器学习中的一个主流领域，其凭借海量数据驱动，可以自动的获取到深层且抽象的特征表达，很多时候可以替代人工设计的特征。深度学习算法是一种端到端的算法，它属于表示学习的一种，只需要数据输入和对应目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SAM
‑
BiLSTM时间序列分类方法，其特征在于，包括以下步骤：步骤1：获取一维时间序列数据集，并对一维时间序列数据进行归一化处理；步骤2：构建一种基于SAM
‑
BiLSTM时间序列分类网络模型；步骤3：使用一维时间序列数据集对一种基于SAM
‑
BiLSTM时间序列分类网络模型进行训练；步骤4：利用训练好的一种基于SAM
‑
BiLSTM时间序列分类网络模型对待测的一维时间序列数据进行分类。2.根据权利要求1所述的一种基于SAM
‑
BiLSTM时间序列分类方法，其特征在于，步骤(1)通过MATLAB仿真得到的电能质量数据集并进行归一化处理。3.根据权利要求1所述的一种基于SAM
‑
BiLSTM时间序列分类方法，其特征在于，步骤(2)中包括：(1)利用Bi
‑
LSTM神经网络进行时间特征的提取，使用的是包括输入门、输出门、遗忘门和状态单元的长短期记忆神经元模块，其输出结果的计算公式如下：f
t
＝δ(W
f
x
t
+U
f
h
t
‑1+b
f
)i
t
＝δ(W
i
x
t
+U
i
h
t
‑1+b
i
)C
t
＝f
i
*C
t
‑1+i
t
*tanh(W
c
x
t
+U
c
h
t
‑1+b
c
)O
t
＝δ(W
o
x
t
+U
o
h
t
‑1+b
o<...

【专利技术属性】
技术研发人员：王以忠，陈露，郭肖勇，杨国威，李宁，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：