申请/专利权人：广州大学

申请日：2022-06-20

公开（公告）日：2022-11-04

公开（公告）号：CN115294414A

主分类号：G06V10/77

分类号：G06V10/77;G06V10/44;G06V10/764;G06V10/82;G06K9/00;G06N3/04;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.11.22#实质审查的生效;2022.11.04#公开

摘要：本发明涉及软件通讯类技术领域，公开了基于ShapeletTransform提取特征的数字信号数据构造时序图像的新方法，首先利用ShapeletTransform算法对采集的一维数字信号数据进行Shapelet提取，获取Shapelets后，结合任意的图像转换方法，将一维的Shapelets转换为二维的时序图像；最后将时序图像输入任意机器学习的算法进行分类识别、检测。本发明通过Shapelet算法提取后获得的数字信号数据具备更好的可解释性，利用图像转换方法将其转换成二维图像时，能保留数字信号数据里的时间相关性。在基于具有时间相关性的二维图像进行分析时，可结合任意的机器学习方法，适用范围广。

主权项：1.一种基于ShapeletTransform提取特征的数字信号数据转二维图像的新方法，其特征在于，包括以下步骤：S1、ShapeletTransform提取特征ShapeletTransform特征提取具以下有五个主要阶段：生成Shapelets候选、计算Shapelets和时间序列之间的距离、评估Shapelets的质量、发现Shapelets和ShapeletTransform；S1.1、生成Shapelets候选生成Shapelets方法为蛮力法、子序列丢弃法、熵剪枝法之一，当采用蛮力法时，对于一个时间序列数据集TS＝{TS1,TS2……TSn},其中一个单独的时间序列TSi＝〈ti,1,ti,2,…,ti,m〉是m个实数的序列集合；令C为每个时间序列对应类标签，时间序列学习集Φ{TS,C}首先由实例输入—输出Φi＝TSi,Ci的向量创建，Φ中每个时间序列中的每个子序列都被视为潜在的Shapelets候选，所以在长度为m的时间序列TS的长度为l的子序列X之间有m-l+1个长度为l的离散子序列，如果TS1是时间序列TS1中所有长度为l的候选Shapelet的集合，则：W1＝{winmin,winmin+1,...,winmax}；S1.2、计算Shapelets和时间序列之间的距离在计算Shapelets和时间序列之间的距离中衡量时间序列相似度的方法均适用，包括欧氏距离、余弦相似度、动态时间规整距离方法，当采用欧氏距离时，欧氏距离在Shapelet中用作相似度量，长度为l的子序列X与另一个相同长度的子序列Y之间的平方欧氏距离定义为： 计算潜在的Shapelets候选与TS中所有序列之间的距离，以创建一个包含n个距离的列表，称为DS，一个DS列表由距离值和计算的距离值的时间序列相对应的类标签组成，然后按照距离的升序进行排序，因此，Shapelets候选S1与TS中所有时间序列之间的距离由下式给出：DS1＝dS1,1,dS1,2,…,dS1,n；S1.3、评估Shapelets的质量评估Shapelets的质量中可运用的评估与优选方法包括IG值法、方差分析法、Kruskal-Walli法，当采用IG值法时，信息增益是用作评估Shapelets质量的标准方法，如果一个时间序列数据集T可以分为两类X和Y,那么T的熵为：HT＝-pXlogpX-pYlogpY；S1.4、发现Shapelets利用Shapelet算法对TS中的时间序列数据进行一次遍历，将每个时间序列的的子序列作为潜在的Shapelets候选，生成的Shapelets候选对象也被归一化，使得它们独立于比例和偏移量，计算训练数据集中每个Shapelet候选对象和时间序列之间的距离，并按顺序形成列表DS，使用信息增益来评估Shapelets的质量；S1.5、ShapeletTransformShapeletTransform是将时间序列数据转换为局部形状空间，其中每个特征是Shapelets和时间序列之间的距离，给定一组包含n个时间序列和一组k个已发现Shapelets的时间序列数据集TS，ShapeletTransform算法计算每个已发现Shapelets与数据集中每个时间序列之间的最小距离；S2、使用图像转换方法将一维数字信号转化为二维图像将一维数字信号转换为二维图像的方法，包括格拉姆角场GAF、马尔可夫变迁场MTF、递归图RecurrencePlots；当采用格拉姆角场时，选用极坐标系来表示时间序列，通过对一维时间序列进行缩放、特定内积运算、构造Gram矩阵，最大程度地保留其时序相关特征；S3、使用机器学习方法分析时序图像特征多种任意机器学习方法均可适用于分析时序图像特征，包括ResNet50、DenseNet201、EfficientNetV2-s方法；S4、使用算法进行优化，提高模型计算效率进行优化的模型为SGD、SGDM、Adagrad、RMSProp、Adam之一，所述的激活函数为Sigmoid函数、Tanh函数、Relu函数之一。

全文数据：

权利要求：

百度查询： 广州大学 基于Shapelet Transform提取特征的时序数据转二维图像的新方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD