一种基于时序和分类数据构建CNN训练图像数据的方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116030328A(43)申请公布日2023.04.28(21)申请号202211696084.8(22)申请日2022.12.28(71)申请人北京邮电大学地址100876北京市海淀区西土城路10号(72)发明人赵国安张碧玲李金洋安春丽秦瑀聪(74)专利代理机构北京东方盛凡知识产权代理有限公司11562专利代理师王宁宁(51)Int.Cl.G06V10/82(2022.01)G06V10/764(2022.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书2页说明书5页附图4页(54)发明名称一种基于时序和分类数据构建CNN训练图像数据的方法(57)摘要本发明涉及一种基于时序和分类数据构建CNN训练图像数据的方法，包括：收集时序数据，对时序数据进行预处理，获取第一数据集，基于第一数据集构建初始图像数据，获得分类数据，并将初始图像数据与任一维度的分类数据合并成新的图像数据；构建CNN模型，基于新的图像数据和剩余的分类数据对CNN模型进行训练，获得训练好的CNN模型，基于训练好的CNN模型对图像数据的构造方式进行验证。本发明科学合理利用了可以获得的有限数据，较好地应用于CNN网络图像数据的构造，使得图像数据的潜在的信息更加丰富，便于CNN网络进行分类问题的训练，在相同模型的基础上提升了CNN网络预测的准确性和F1值，提升了模型的实际应用价值。CN116030328ACN116030328A权利要求书1/2页1.一种基于时序和分类数据构建CNN训练图像数据的方法，其特征在于，包括：收集时序数据，对收集的所述时序数据进行预处理，获取第一数据集，基于所述第一数据集构建初始图像数据，获得分类数据，并将所述初始图像数据与任一维度的所述分类数据合并成新的图像数据；构建CNN模型，基于所述新的图像数据和剩余的所述分类数据对所述CNN模型进行训练，获得训练好的所述CNN模型，并基于训练好的所述CNN模型对图像数据的构造方式进行验证。2.根据权利要求1所述的基于时序和分类数据构建CNN训练图像数据的方法，其特征在于，对收集的所述时序数据进行预处理包括：将所述时序数据中数据的空值、数据的异常值、数据的业务逻辑情况进行统一处理和归类，且处理后的数据能应用于深度学习。3.根据权利要求1所述的基于时序和分类数据构建CNN训练图像数据的方法，其特征在于，基于所述第一数据集构建初始图像数据，获得分类数据，包括：将所述第一数据集中的时序数据按照预设维度构建所述初始图像数据，将所述第一数据集中已知的一个维分度的分类数据进行归一化处理，并将处理后的一个维分度的分类数据和所述初始图像数据对应的像素点进行合并，同时把待分类的标签数据按照训练数据的长度进行构建和分类处理，获得所述分类数据。4.根据权利要求3所述的基于时序和分类数据构建CNN训练图像数据的方法，其特征在于，将处理后的一个维度的分类数据和所述初始图像数据对应的像素点进行合并的方法包括方式一、方式二或方式三；其中，所述方式一为将所述处理后的一个维度的分类数据，分别加到所述初始图像数据对应的所有像素点上，完成合并；所述方式二为将所述处理后的一个维度的分类数据，按照从左到右、从上到下每间隔一个像素的像素点与所述初始图像数据进行合并；所述方式三为将所述处理后的一个维度的分类数据，分别填加到所述初始图像数据对应的所有像素点的周围，与所述初始图像数据进行合并。5.根据权利要求3所述的基于时序和分类数据构建CNN训练图像数据的方法，其特征在于，将处理后的一维分类数据和所述初始图像数据对应的像素点进行合并的方法还包括方式四、方式五或方式六；所述方式四为将所述处理后的一个维度的分类数据，分别加到所述初始图像数据对应的所有像素点上，以及按照从左到右、从上到下每间隔一个像素的像素点与所述初始图像数据进行合并；所述方式五为将所述处理后的一个维度的分类数据，分别加到所述初始图像数据对应的所有像素点上，以及填加到所述初始图像数据对应的所有像素点的周围，与所述初始图像数据进行合并；所述方式六为按照从左到右、从上到下每间隔一个像素的像素点与所述初始图像数据进行合并，以及将所述处理后的一个维度的分类数据，分别填加到所述初始图像数据对应的所有像素点的周围，与所述初始图像数据进行合并。6.根据权利要求3所述的基于时序和分类数据构建CNN训练图像数据的方法，其特征在2CN116030328A权利要求书2/2页于，将处理后的一维分类数据和所述初始图像数据对应的像素点进行合并的方法还包括方式七，所述方式七为将所述处理后的一个维度的分类数据，分别加到所述初始图像数据对应的所有像素点上，按照从左到右、从上到下每间隔一个像素的像素点与所述初始图像数据进行