【技术实现步骤摘要】
本专利技术涉及行为时序分类，特别涉及一种基于时频混合对比学习的多变量时序分类方法及系统。
技术介绍
1、多变量时间序列数据的分类问题一直是机器学习
中备受关注的研究方向之一。在实际生活中，多变量时间序列数据的人体行为识别分类具有广泛的应用。由于多变量时间序列数据涵盖了在不同时间点上观测的多个特征或变量的信息，因此，其分类问题相对于单一时间序列或静态数据的分类问题更具有挑战性。
2、近年来，基于深度学习的多变量时间序列分类方法取得了显著的进展。其中，监督学习方法在多变量时间序列分类中取得了显著的研究成果，但仍面临众多挑战。其一，现有监督方法难以解决少样本、高噪声数据问题。其二，监督学习方法通常需要大量标签数据进行学习，而获取大量标记数据的成本昂贵且不切实际。因此，当前的研究趋势逐渐转向半监督学习。半监督学习通过少量标记数据和大量未标记数据进行模式识别，具有改善模型泛化性和提高分类准确度的优势。该类方法已被广泛用于人体行为图像识别、视频预测分类以及人体行为目标检测等领域。
3、然而，这种现有的半监督的对比学习方...
【技术保护点】
1.一种基于时频混合对比学习的多变量时序分类方法，其特征在于，应用于人体行为识别分类场景，所述方法包括：
2.根据权利要求1所述的一种基于时频混合对比学习的多变量时序分类方法，其特征在于，所述获取多变量时间序列的训练数据集，所述训练数据集包括若干个带标签和未带标签的原始时序样本，所述标签指示对应的行为类别的步骤包括：
3.根据权利要求2所述的一种基于时频混合对比学习的多变量时序分类方法，其特征在于，在所述训练数据集输入所述频域编码器之前，对所述训练数据集进行预处理，所述预处理包括快速傅里叶变换，以得到振幅和相位；
4.根据权利要求3...
【技术特征摘要】
1.一种基于时频混合对比学习的多变量时序分类方法，其特征在于，应用于人体行为识别分类场景，所述方法包括：
2.根据权利要求1所述的一种基于时频混合对比学习的多变量时序分类方法，其特征在于，所述获取多变量时间序列的训练数据集，所述训练数据集包括若干个带标签和未带标签的原始时序样本，所述标签指示对应的行为类别的步骤包括：
3.根据权利要求2所述的一种基于时频混合对比学习的多变量时序分类方法，其特征在于，在所述训练数据集输入所述频域编码器之前，对所述训练数据集进行预处理，所述预处理包括快速傅里叶变换，以得到振幅和相位；
4.根据权利要求3所述的一种基于时频混合对比学习的多变量时序分类方法，其特征在于，所述构建时域编码器和频域编码器，将所述训练数据集输入时域编码器和频域编码器分别得到时域第一特征和频域第一特征的步骤包括：
5.根据权利要求4所述的一种基于时频混合对比学习的多变量时序分类方法，其特征在于，所述将所述时...
【专利技术属性】
技术研发人员：易玉根，吴福英，刘敏，盛绘，罗勇，黄晓梅，秦乐，饶鑫平，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：
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。