基于多种仿真红外辐射时间序列特征的目标类型预测方法技术

基于多种仿真红外辐射时间序列特征的目标类型预测方法，涉及深度预测领域，包括：仿真红外辐射时间序列特征数据的清洗与整合；仿真红外辐射时间序列特征数据的合理化分割；时序数据训练及数据特征提取；目标类型分类预测。本发明专利技术采用LSTM

【技术实现步骤摘要】
基于多种仿真红外辐射时间序列特征的目标类型预测方法


[0001]本专利技术涉及深度预测
，特别涉及一种基于多种仿真红外辐射时间序列特征的目标类型预测方法。

技术介绍

[0002]目前，随着传感器、数据接收器等硬件设备的发展，由传感器等硬件导出的数据量也逐步增多。将数据进行合理的整合与分析是目前计算机领域的一个热门研究课题。采集后的数据可以通过深度学习手段按需进行预测、分类、识别、专家系统构建等。其中，基于时间序列的数据分析是目前深度学习领域中的热点。由于由传感器等硬件导出的数据多数具备时间属性，即时间是其因变量之一，所以可以通过时间序列(时序)进行函数曲线拟合，找寻时间与数据的潜在映射关系，进而达到未来数据预测、相关曲线分类等目的。所以基于时间序列的数据分析可以分为时序预测分析以及时序分类分析等。
[0003]时间序列分类方法有基于统计的时间序列分类方法和基于无监督的聚类方法等。基于统计的时间序列分类方法主要是对时间序列进行时间差分，通过判定方差的大小判定时间序列的周期性，进而完成二分类的目的，基于统计的时间序列分类实现简单，但是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，包括以下步骤：步骤一、仿真红外辐射时间序列特征数据的清洗与整合；步骤二、仿真红外辐射时间序列特征数据的合理化分割；步骤三、时序数据训练及数据特征提取；步骤四、目标类型分类预测。2.根据权利要求1所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，步骤一的具体操作步骤如下：通过传感器采集仿真红外辐射时间序列特征数据并采用深度学习网络模型对其进行清洗和整合；将维度为n的时序数据集合作为深度学习网络模型的输入，所述时序数据集合包括时间序列集合T＝{t1,t2,t3…
t
m
}和n类仿真红外辐射特征V1,V2,V3…
V
n
，对于任意一类仿真红外辐射特征均与时间序列集合T具备相关性：V1＝f1(T)，V2＝f2(T)
…
,V
n
＝f
n
(T)，f1,f2…
,f
n
分别表示仿真红外辐射特征V1,V2,
…
V
n
关于时间序列集合T的映射；将总的时序数据表示为一个大小为m
×
n的时序数据矩阵Y，Y∈R
m
×
n
，m为时序数据集合长度，n为仿真红外辐射特征的总类别数目。3.根据权利要求2所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，步骤一中，通过传感器采集仿真红外辐射时间序列特征数据时，采集波段包括短波波段、中波波段和长波波段；每类波段均采集五种不同的波段范围，短波波段范围分别为：0.75μm
‑
1.25μm、1.25μm
‑
1.80μm、1.80μm
‑
2.35μm、2.35μm
‑
3.0μm和0.75μm
‑
3.0μm，中波波段范围分别为：3.0μm
‑
3.75μm、3.75μm
‑
4.50μm、4.50μm
‑
5.25μm、5.25μm
‑
6.0μm和3.0μm
‑
6.0μm，长波波段范围分别为：6.0μm
‑
7.5μm、7.5μm
‑
9.0μm、9.0μm
‑
10.5μm、10.5μm
‑
12.0μm和6.0μm
‑
12.0μm。4.根据权利要求2所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，步骤二的具体操作步骤如下：采用类卷积网络的类卷积核结构进行数据的窗口分割处理，类卷积核结构均为各项值为1的单元矩阵；对于步骤一中的时序数据矩阵Y，每一行对应一个时刻的传感器采集的时序数据集合，在时序数据分割处理过程中，分割窗口即类卷积核结构大小设定为k
×
n，k为对应的分割窗口长度即一次滑动所包含的时序长度；假设有n个传感器采集n个仿真红外辐射特征时序数据，且每个时序数据的时长均为m，每个时刻采集的时序数据具备n个对应特征，步骤一中的时序数据矩阵Y表示如下：其中Y
ij
表示传感器i(i＝1
…
n)在时刻j(j＝1
…
m)采集的时序数据；用t
a:a+b
表示长度为b的连续时间t
a
,t
a+1
,t
a+2
,
…
t
a+b
，用表示n个传感器在时间范围(a,a+b)内采集的仿真红外辐射特征，为大小为b
×
b的矩阵，且5.根据权利要求1所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，
其特征在于，步骤三的具体操作步骤如下：使用长短期记忆递归网络(LSTM)进行多通道特征提取；同时使用全连接卷积神经网络(FCN)进行特征提取；将特征提取结果进行拼接进行目标类型分类预测。6.根据权利要求5所述的基于多种仿真红外辐射时间序列特征的目标类型预测方法，其特征在于，所述使用全连接卷积神经网络(FCN)进行特征提取的具体操作步骤如下：所述全连接卷积神经网络(FCN)的卷积层层数设为L层，在卷积层的每一层应用一组一维滤波器，用于捕捉信号在时序过程中的变化；使用张量和偏置对每一层的一维滤波器进行参数化处理，l∈1,
…
,L是卷积层的索引，d是过滤的持续时间段，F
l
‑1为上一层卷积核大小，F
l
表示当前卷积层中卷积核的大小，表示输出张量的尺寸，对于第l层的非标准化激活函数的第i个分量是来自前...

【专利技术属性】
技术研发人员：王越群，李正炜，陈涛，王建立，董博，刘杰，刘佳梁，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：