基于小波分解矩阵和残差网络的时间序列分类方法技术

本发明专利技术公开了一种基于小波分解矩阵和残差网络的时间序列分类方法，其包括步骤：1)对时间序列数据进行图像化表示，2)以时间序列的图像化表示G作为分类网络的输入，通过分类网络的非线性函数f

【技术实现步骤摘要】
基于小波分解矩阵和残差网络的时间序列分类方法


[0001]本专利技术涉及数据分类
，特别涉及一种单变量时间序列的分类方法。

技术介绍

[0002]大数据时代，我们在日常生活中不断产生大量时间序列数据。在各种时间序列分析任务中，TSC是最基本且重要的一项。近年来，随着时间序列的可用性日渐提升，国内外研究人员对时间序列分类的研究不断深入，已提出许多时间序列分类(Time series classification,TSC)算法。传统的时间序列分类方法可以大致分为以下三类：基于距离的方法、基于特征的方法和基于集成的方法。
[0003]基于距离的TSC方法中最流行的方法之一是使用最近邻分类器和距离函数。当DTW距离与最近邻分类器一起使用时，被证明是一个非常强的基线。基于特征的方法在分类之前需要进行复杂的数据预处理、特征提取以及特征选择等操作。基于集成的方法将多种特征和分类器集成在一个框架中以获得更好的性能。尽管基于集成的方法通常可以实现非常令人印象深刻的性能，但它们很复杂，计算成本高且耗时。因此，很难在现实世界中应用这些方法。此外，这些传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于小波分解矩阵和残差网络的时间序列分类方法，其特征在于：包括以下步骤：1)对时间序列数据进行图像化表示，其又包括以下步骤：1a)小波分解网络WDNs通过如下公式逐层分解输入时间序列x＝[x1,x2,...,x
T
]
T
其中，x
h
(i
‑
1)表示第i
‑
1级低频子序列，i≥1；x
h
(0)表示输入时间序列x＝[x1,x2,...,x
T
]
T
；σ(
·
)是sigmoid激活函数，W
h
(i)和W
g
(i)是第i层全连接层的权重；b
l
(i)和b
g
(i)是第i层全连接层的偏置向量，W
h
(i)、W
g
(i)、b
l
(i)和b
g
(i)都是可训练的参数；z
h
(i)和z
g
(i)则表示第i级分解得到的中间子序列；通过公式(1)得到的第i层中间子序列z
h
(i)和z
g
(i)被输入到平均池化层进行下采样，计算过程如下：其中表示z
h
(i)的第j个元素，z
h
(i)和z
g
(i)经过下采样后得到第i层低频子序列x
h
(i)和高频子序列x
g
(i)，表示x
h
(i)的第j个元素；使用低通滤波器h＝[h1,h2,...,h
K
]和高通滤波器g＝[g1,g2,...,g
K
]初始化W
h
(i)和W
g
(i)，下标K代表滤波器的长度，W
h
(i)和W
g
(i)的初始权重定义如下：其中，ε是随机初始化的值，满足和W
h
(i)和W
g
(i)∈R
L
×
L
，L表示x
h
(i
‑
1)的长度；和分别表示W
h
(i)和W
g
(i)的第p行第q列对应的元素，p+K
‑
1≤L；WDNs的I级分解得到I条低频子序列和I条高频子序列，第i级子序列的长度为T/(2
i
)，其中T指原始输入时间序列x的长度，1≤i≤I；由于各级子序列的长度不一致，对于长度小于T/2的第i(2≤i≤I)级子序列，将该序列重复2
i
‑1次；1b)用WDNs分解时间序列x＝[x1,x2,...,x
T
]
T
得到的子序列构成集合χ
I
＝{x
g
(1),x
h
(1),x
g
(2),x
h
(2),
…
,x
g
(I),x
h
(I)}，随后通过小波分解矩阵以每条子序列作为二维矩阵M中每一行的参考，组合集合χ
I
中的所有子序列得到一个(2
×
I)
×
(T/2)的二维矩阵M，其中I表示分解的级数，T表示输入时间序列x的长度；用m
p,q
表示M的第p行第q列的元素，则m
p,q
与各级分解子序列中的各元素之间的联系如下：其中，表示第i个低频子序列x
h
(i)的第j个元素，表示第i个高频子序列x
g
(i)
的第j个元素，符号％表示取余，i和j的表示如下：1c)采用min
‑
max标准化将M转换为最终的灰度值矩阵G：输入时间序列x经由图像化表示阶段，被转换为图像化表示G＝f
s
(x,W
s
)，其中G∈R
m
×
n
，m＝2
×
I,n＝(T/2),f
s
表示图像化表示阶段中所有的非线性激活函数，W
s
表示图像化表示阶段中所有的可训练参数，W
s
包含W
h
(i),W
g
(i),b
h
(i)和b<...

【专利技术属性】
技术研发人员：刘然，陈鑫，易琳，崔珊珊，陈丹，任席伟，王仕丹，陈宇泽，
申请(专利权)人：重庆大学附属肿瘤医院，
类型：发明
国别省市：