【技術實現步驟摘要】
本專利技術涉及多變量時間序列分類，尤其涉及一種用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法。
技術介紹
1、時間序列分析是數據挖掘領域最具挑戰性的研究課題之一。在這一領域中，時間序列分類(tsc)起著至關重要的作用。tsc的目標是通過構建機器學習模型來預測序列化實值觀測數據的分類標簽。
2、基于距離的方法，特別是歐幾里得距離和動態時間規整(dtw)的使用，為原始時間序列分類提供了一種早期實用的方法。隨著時間序列數據的復雜性和多樣性的增加，單一的相似性度量和分類方法可能不再滿足需要。為了應對這些挑戰，現有技術從各種特征空間角度探索時間序列分類，如基于距離的方法、shapelet方法和遞歸方法。深度學習，特別是卷積神經網絡(cnn)和遞歸神經網絡(rnn)，由于其在自動特征提取和捕獲長期依賴關系方面的優異性能，在時間序列領域獲得了廣泛的關注。盡管取得了這些進步，但深度學習在確保穩定性和準確性方面仍然面臨挑戰。
3、然而，空間一致性仍然是一個相對被忽視的方面?？臻g一致性，特別是考慮到單個傳感器的穩定性和不同傳感器之間潛在的相關性，是至關重要的。例如，任何單個傳感器的微小干擾都可能嚴重影響整體mts數據的分類，其中幅度干擾可能導致某些活動的錯誤分類。此外，傳感器之間的相互關系起著至關重要的作用。從時空一致性的角度來看，多變量時間序列分類(multivariate?time?series?classification，mtsc)面臨的主要挑戰來自于時間序列數據的復雜動態性和多變量之間的相互依賴性。例如，
4、1.時間動態：活動中的傳感器數據隨時間而變化，例如跑步時的振動頻率比步行時高。在不同的活動中，序列的長度和變化的速度不同，這給準確分類帶來了挑戰。
5、2.空間多變量依賴關系：在多變量時間序列中，就像位于人體不同部位的傳感器一樣，數據不是獨立的，而是相互影響的。例如，腿部運動可以影響腰裝傳感器的讀數，需要正確理解和建模這些空間依賴關系。
6、3.類別之間的界限模糊：某些活動之間的區別在傳感器數據中可能并不明顯，例如快走和慢跑，這使得學習算法難以區分這些細微的差異
7、4.噪聲干擾：噪聲是多變量時間序列分類中的一個重要問題，因為它會嚴重影響分類模型提取和學習有效時空特征的能力。在傳感器收集的數據中，噪聲可能來自各種來源，包括環境干擾、設備本身的不準確性以及傳感器放置和操作中的錯誤。
技術實現思路
1、考慮多變量時間序列分類(mtsc)在人體活動識別、醫學診斷和系統監控等領域具有重要意義。傳統的分類方法往往強調時間動態，或利用動態時間規整(dtw)等相似性度量來進行數據分類。然而，挑戰在于有效地捕獲多變量數據的時空一致性對于隨著系統狀態的演變而準確分類至關重要。本專利技術提供了一種用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法，主要利用專門為mtsc任務設計的基于轉換器的cstformer模型，采用動態自適應時頻濾波器來處理噪聲并捕獲全局模式，從而提高提取特征的清晰度和相關性。
2、本專利技術具體采用以下技術方案：
3、一種用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法：
4、通過訓練獲得的帶傅立葉濾波算子的跨時空轉換器cstformer模型，將輸入時間序列映射到目標變量：通過將時間序列數據集映射到一組c個類別標簽y；訓練后，cstformer模型輸出一個包含c個值的向量，從而估計時間序列屬于每個類別的概率；
5、所述cstformer模型當中，多變量時間序列輸入的數據首先經過layernorm層后進入一個全局自適應傅里葉神經算子模塊，自適應地過濾噪聲并增強重要的頻率信息；輸出再經過layernorm層后進入時空一致性學習模塊；所述時空一致性學習模塊由動態多尺度時間注意模塊、動態空間注意模塊和動態跨分布融合模塊三個子模塊組成；分別學習時間上下文和空間上下文，以及融合獲得學習到的時空一致性上下文；最后由分類頭輸出分類結果。
6、進一步地，所述動態多尺度時間注意模塊，將多尺度特征提取與動態自適應注意機制相結合以捕捉時間序列中的依賴關系；
7、所述動態空間注意模塊使用通道嵌入實現跨通道交互而不改變通道維度，動態學習多個序列之間的空間一致性變化；
8、所述動態多尺度時間注意模塊和動態空間注意模塊通過學習跨通道和時間維度的時空背景捕獲時空依賴關系；再采用動態交叉分布融合將時空背景的分布合并；所述動態交叉分布融合通過交換上下文的均值和方差合并時間和空間信息，再通過自適應融合機制進一步結合特征，以增強模型感知時空一致性變化的能力并提高分類準確率。
9、進一步地，所述自適應傅里葉神經算子模塊當中：
10、所述自適應傅里葉神經算子模塊當中：
11、對于輸入信號的每個批次和每個通道，先采用一維快速傅里葉變換fft進行處理，然后對輸出的實部和虛部，分別先應用fc層進行處理；接著對于復數輸出的實部和虛部，使用einsum函數實現矩陣乘法將權重ω1和偏差b1應用于實部xreal和虛部ximag，然后，在非線性激活后合并實部和虛部以形成新的復數輸出；
12、o1real＝gelu(einsum(′bnhw,nhm→bnmw′，xreal，ω1)+b1)
13、o1imag＝gelu(einsum(′bnhw,nhm→nmw′，ximag，ω1)+b1)
14、再使用軟閾值sofishrink增強信號的稀疏性；接著，將修改后的實部和虛部重新組合成一個復數，并將這個復數逐元素乘以初始傅里葉變換的結果，最后將信號從頻域轉換回時域。
15、進一步地，所述動態多尺度時間注意模塊中：
16、對于給定輸入時間序列數據，通過一系列并行卷積層處理，以捕獲不同時間尺度上的信息；其中，n個卷積層l1，l2，...，ln，當中的每個li使用不同大小ki和步幅si的卷積核；每個卷積層的輸出其中，b為輸入時間序列數據的批次大小，t′i和c′i是受ki和si影響的時間和特征維度；
17、然后根據輸入數據動態計算和合并融合權重：將所有卷積層的輸出沿通道維度連接，得到t為輸入時間序列數據的序列長度，每個通道經過全局平均池化并輸入到全連接層fc，最后由softmax函數歸一化：
18、wdynamic＝softmax(fc(globalavgpool(hconcat)))
19、使用動態生成的權重wdynamic對不同卷積層的輸出進行加權和合并，得到原始多元時間序列hfusion的多尺度上下文表示：
20、hfusion＝wdynamic·hconcat
21、采用融合時間編碼的動本文檔來自技高網...
【技術保護點】
1.一種用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法，其特征在于：
2.根據權利要求1所述的用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法，其特征在于：
3.根據權利要求1所述的用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法，其特征在于：
4.根據權利要求1所述的用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法，其特征在于：
5.根據權利要求4所述的用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法，其特征在于：所述卷積層采用深度可分離的一維卷積，在序列數C對應的通道上應用卷積，保持卷積前后序列的長度一致；所述全連接層FC由可學習參數矩陣和非線性激活函數ReLU組成。
6.根據權利要求4所述的用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法，其特征在于：
7.根據權利要求6所述的用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換方法，其特征在于：
8.一種用于多變量時間序列分類的帶傅立葉濾波算子的跨時空轉換系統，其特征在于，包括：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。