【技术实现步骤摘要】
本专利技术属于时间序列智能识别，尤其涉及一种基于深度学习的时间序列智能识别方法及系统。
技术介绍
1、近年来，随着大数据及人工智能的迅速发展，基于特征学习、匹配的深度学习方法，例如卷积神经网络（convolutional neural network，cnn）、循环神经网络（recurrentneural network，rnn）和生成对抗网络（generative adversarial network，gan）等，已经广泛应用于天然地震监测、机械系统故障检测、声音检测等领域中的时间序列数据识别。
2、尽管基于cnn等深度学习方法具有提取特征能力强、效率高等优势，但该类方法为典型的“黑箱模型”，具有不可解释性，难以找到cnn模型的逻辑基础进行特征提取和分类，降低了结果的可信度。
3、时间域信号多数为非稳态信号，具有特殊的时频特征，因此，诸多研究人员将时频变换方法融入深度学习网络模型中，以增加可解释性和提高网络性能。然而，前人研究多针对于信噪比较高的数据，实际信号往往受干扰较为严重，数据信噪比低。
>技术实本文档来自技高网...
【技术保护点】
1.一种基于深度学习的时间序列智能识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的时间序列智能识别方法，其特征在于，所述利用STFT时频分析方式对所述输入层的所述时间序列数据进行时频卷积，得到具有时频特征的二维数据，包括：
3.根据权利要求1或2所述的基于深度学习的时间序列智能识别方法，其特征在于，所述构建用于信号分类的时间序列数据集及对应的信号类型标签，包括：
4.一种基于深度学习的时间序列智能识别系统，其特征在于，包括：
5.根据权利要求4所述的基于深度学习的时间序列智能识别系统，其特征在于，p>
6.根据权...
【技术特征摘要】
1.一种基于深度学习的时间序列智能识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的时间序列智能识别方法，其特征在于，所述利用stft时频分析方式对所述输入层的所述时间序列数据进行时频卷积，得到具有时频特征的二维数据，包括：
3.根据权利要求1或2所述的基于深度学习的时间序列智能识别方法...
【专利技术属性】
技术研发人员：李富，李帝铨，胡艳芳，朱云起，刘业成，王喆，朱瀚宇，
申请(专利权)人：中南大学，
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。