一种基于卷积神经网络的多元时序数据的分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108491886A(43)申请公布日2018.09.04(21)申请号201810270388.5(22)申请日2018.03.29(71)申请人重庆大学地址400044重庆市沙坪坝区沙坪坝正街174号(72)发明人张可韩载道李媛(74)专利代理机构北京众合诚成知识产权代理有限公司11246代理人胡柯(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书3页附图2页(54)发明名称一种基于卷积神经网络的多元时序数据的分类方法(57)摘要本发明公开了一种基于卷积神经网络的多元时序数据的分类方法，它包括S1：获取多元时间序列数据；S2：对获取的多元时间序列数据进行去噪预处理；S3：采用卷积神经网络对预处理得到的多元时间序列数据降维；S4：对降维得到的数据采用分段聚合算法进行分段，计算聚合后的序列数据的欧式距离，根据欧式距离定义阈值进行区分并形成分类结果。本发明取得的有益效果是：既能较好保留原多元时序数据的基本结构特征，又能采用分段聚合方法对其进行分类分析；采用卷积神经网络对原多元时序数据降维表示；然后采用分段聚合的方法对降维表示后的结果进行特征提取，最后将该特征提取的结果采用欧氏距离形成分类方法。CN108491886ACN108491886A权利要求书1/1页1.一种基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述方法包括有以下步骤：S1：获取多元时间序列数据；S2：对获取的多元时间序列数据进行去燥预处理；S3：采用卷积神经网络对预处理得到的多元时间序列数据降维；S4：对降维得到的数据采用分段聚合算法进行分段，计算聚合后的序列数据的欧式距离，根据欧式距离定义阈值进行区分并形成分类结果。2.如权利要求1所述的基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述步骤S2中的去燥预处理包括有：S21：对原始多元时间序列数据进行偏差检测，发现噪声、离群点和异常值，考察每个属性的定义域和数据类型以及每个属性可接受值的范围；S22：通过考察数据领域内的值，通过分箱方法中的按照箱平均值法求得平滑数据值来光滑有序数据，将连续数据离散化，获取预处理后的时序数据，增加粒度。3.如权利要求1所述的基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述步骤S3中降维的具体步骤如下：S31：将经过步骤S2预处理后得到的多元时序数据输入卷积神经网络，计算相对应的实际输出，输入值与各层带权值矩阵相乘，得到输出结果；S32：将所述输出结果与基于专家知识的理想输出值比较作差；采用极小误差原则在反向传播阶段更新原相乘矩阵的权值，直至满足条件。4.如权利要求1所述的基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述步骤S4包括有：S41：对于步骤S3所得的经过卷积神经网络降维处理后的一元时序数据，采用分段聚合算法将降维所得一元时序数据等长分段，获得各分段计算得到的平均值，将平均值组合得到的值作为降维后的新数据序列。5.如权利要求4所述的基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述步骤S4还包括有：S42：应用欧氏距离计算两时序数据的距离其中Q,C为两时间序列，qi和ci分别为两时间序列第i个点对应的数据；然后将计算得到的距离值与根据专家经验定义的分类阈值比较，形成分类结果。2CN108491886A说明书1/3页一种基于卷积神经网络的多元时序数据的分类方法技术领域[0001]本发明涉及多元时间序列数据的挖掘技术领域，特别是一种基于卷积神经网络的多元时序数据的分类方法。背景技术[0002]多元时序数据广泛存在于社会工业生产过程中，特别对于复杂工业生产过程产生的数据，由于其维度高，数据量大且常含有噪声，使得普通数据挖掘算法对其分析代价巨大，因此对多元时序数据的降维分析是近年研究的热点。[0003]多元时序数据的分类研究有助于对复杂系统的建模与分析，而在实际工程应用中，由于多元变量之间的关联关系与相互作用，以及数据量巨大，因此对多元时序数据的分类分析主要是以提取原数据特征为主，达到降维和简化计算的目的。传统的多元时序数据降维方法大多基于统计学分析方法，例如主成份分析方法、奇异值分解等算法。这些方法的一个重要缺点是忽略了数据本身的结构信息。在降维的过程中必然会丢失许多重要信息，使得后续数据挖掘与分析的结果不能很好的反映原数据的特征。[0004]缺点：当前的多元时序数据降维分类方法大多基于统计学的主成份分析方法或其改进方法，难以较好的反映多元时序数据的内在结构特征，因而对其分类结果产生影响。[0005]因此亟需一种新的多元时序数据的降维分类方法。发明内容[0006]有鉴于现有技术的上述缺陷，本发明的目