CN111783567B - 一种基于极值标识的时间序列分类方法 - Google Patents
一种基于极值标识的时间序列分类方法 Download PDFInfo
- Publication number
- CN111783567B CN111783567B CN202010549308.7A CN202010549308A CN111783567B CN 111783567 B CN111783567 B CN 111783567B CN 202010549308 A CN202010549308 A CN 202010549308A CN 111783567 B CN111783567 B CN 111783567B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- value
- line
- starting point
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于极值标识的时间序列分类方法,采用符号化的方式标明时间序列的变化趋势,在进行机器学习、模式识别等半监督场景学习过程中,对手部动作和手语标志进行分类时,可以根据用户的实际需要,从时间序列本身固有的最值特征出发,以趋势判定作为时间分类的基准,采用分级描述的方式,确定相应的多级形态表;在形态表参数的获取过程中,采用线段延长线相交的方式,最终判断线段集所属段的趋势;本方法可以更准确的定位线性化特征,获得更优的线性拟合结果;非相邻的线段间的趋势表达的更加全面;具有适应范围广,实用性强的特点。
Description
技术领域
本发明涉及人工智能算法技术领域,尤其涉及一种基于极值标识的时间序列分类方法。
背景技术
时间序列是按时间推移获得的各种领域的观测值,一般来说,采样时间间隔等长;时间序列是由无数个离散点组成的,本身是一维的离散函数;为了发现序列随时间的变化规律,通常采用连线的方式获得这些时间序列离散点的几何特征,并采用相应的几何外形的相似性,来对不同性质或不同尺度下的时间序列进行判断,最终获得可用于数据挖掘等目标的相似时间序列,获得相似性搜索的结果;时间序列相似性搜索的分类方法,用于机器学习和模式识别领域,在半监督场景学习中用于对时序数据库进行样本分类和管理;
半监督学习中对时序数据库进行样本分类和管理的具体过程为:
(1)首先采用肌电极或位置跟踪器测量人体自身的电信号,形成时间序列的样本数据库,这些信号具有采样率高,精度高,数据量大的特点;
(2)然后利用分段线性的时间序列分类方法对数据库进行手部动作分类和手语标志分类,并将分类结果与人类识别进行方法验证,获得最佳的分类结果,所述手部动作包括六类:即握持球形工具的动作,握持小型工具的动作,手掌面向对象进行握持的动作,固定薄而扁平的物体的动作,固定圆柱形工具的动作和支撑重物的持构动作;
现有的分类方法仅采用首端数据点和尾端数据点相连,所获得的线段,与原有数据相比,会获得误差较大的线段,抹除了几何形态的变化过程,带来较大的精度损失;
近年来,采用分段线性的方法表示时间序列,采用折线的方式来替代单一线段的方式,可以实现对时间序列的有效压缩;而在此过程中,如何确定折线出现的时间点,需要研究时间序列的实际趋势和关键点的标准,根据区间变化的情况进行判断,最终达到线性特征变化形成的时间序列分段线性表示结果;而传统意义上的时间序列分段,采用最大值,最小值来表示,但这样所获得的结果,只是简单的端点相连,无法获得符合实际趋势特征的线性化表示结果。
发明内容
针对上述存在的问题,本发明旨在提供一种基于极值标识的时间序列分类方法,在手部动作和手语标志的分类过程中,从时间序列本身固有的最值特征出发,以趋势判定作为时间分类的基准,采用分级描述的方式,确定相应的多级形态表,逐级对样本数据库中的手部动作和手语标志进行分类;同时在形态表参数的获取过程中,采用线段延长线相交的方式,最终判断线段集所属段的趋势;在手部动作和手语标志的分类过程中,可以更准确的定位线性化特征,获得更优的线性拟合结果,完成对手部动作和手语标志的分类,进而完成半监督场景学习中对时序数据库进行样本分类和管理;同时非相邻的线段间的趋势表达的更加全面;具有适应范围广,实用性强的特点。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于极值标识的时间序列分类方法,包括以下步骤:
步骤一:在进行机器学习和模式识别以及半监督学习时,对于进行手部动作分类和手语标志分类问题,首先进行人体自身电信号的采集,然后通过特征采样的方法将将样本数据库中时间序列的数据样本转化为具有等长特征的时间序列,并且连接时间序列的起点和终点,进行区域划分;
步骤二:连接各个时间序列的起点、最大值、最小值和终点,形成时间序列的初级形态;
步骤三:针对不同的时间序列的初级形态,再根据区间极值的分布,确定时间序列的二级形态;
步骤四:按照二级形态中连线和区域界线的方向关系,设定符号表;
步骤五:依据符号表,获得现有时间序列的符号表示,动态调整符号所表示的长度,确保样本序列和目标序列的符号表长度的一致性;
步骤六:根据符号表中标志的正负性进行相应的匹配计算,对时间序列进行分类,标志完全相同的序列确认为一类。
进一步的,步骤一所述的区域划分是指:将机器学习时的时间序列数据集按照特征采样的方法将训练用的时间序列数据集转化为具有等长特征的时间序列后,以时间序列的起点和终点连线为界线,连线的上侧是高值区,连线的下侧是低值区,并同时将时间序列的起点和终点的连线作为基准线;
步骤二所述的时间序列的初级形态,是由连接起点、终点、最大值和最小值的三个线段组成的;
步骤三所述的时间序列的二级形态,是在初级形态最值的基础上,叠加次优值形成的。
进一步的,步骤四所述的按照二级形态中连线和区域界线的方向关系,设定符号表的具体过程为:
S1.依次连接各个时间序列的起点、最大值、最小值和终点,同时将时间序列的起点和终点的连线作为基准线;
S2.从两点连线的起点开始,最大值,最小值,终点,向右逐步形成多条线段;如果形成线段过程中所得到的射线方向与基准线形成逆时针的角度,则该角度大于零度为正角;如果形成线段过程中所得到的射线方向与基准线形成顺时针的角度,则该角度小于零度为负角;
S3.记录正、负夹角,形成一级指标、二级指标。
其中:所述的一级指标对应初级形态、二级指标对应二级形态。
进一步的,所述的高值区和低值区由起点和终点的连线构成,加上最大值和最小值与界线相交,将时序所在区域可以分为四个部分。
进一步的,时间序列可以在初级形态和二级形态的基础上,进一步获得三级和四级形态,以及n级形态,划分的级数越多,该时间样本与时间序列的拟合越全面。
进一步的,步骤一所述的在人体自身电信号的采集过程中,采样率>500Hz,并使用具有低截止和高截止频率的带通滤波器进行数据搜集。
进一步的,所述的初级形态、二级形态和n级形态的获得包括以下步骤:
S1、在步骤一确定起点和终点的连线为界线后,根据最值与界线的相对位置,形成最值的区域属性;对于给定的时间序列T,设定其特征点依次为起点O,终点E,最大值MU,最小值MD;
设Ox为起点横坐标值,Oy为起点纵坐标值;Ex为终点横坐标值,Ey为终点纵坐标值;MUx为最大值横坐标值,MUy最为大值纵坐标值;MDx为最小值横坐标值,MDy为最小值纵坐标值;
则最大值MU的左斜率SMUL和右斜率SMDL分别定义为:
和/>
S2、定义初级形态,对于给定的时间序列T,初级形态一般由三个线段和界线连接形成;
S3、定义二级形态,对于给定的时间序列T,二级形态是在初级形态的基础上,叠加次优值形成,SO为次大值;
S4、定义三级形态,对于给定的时间序列T,三级形态是在二级形态的基础上,叠加再次优值形成,SO1为再次大值;
S5、定义n级形态,对于给定的时间序列T,n级形态是在n-1级形态的基础上,叠加再次优值形成,SOn-2为n次大值。
本发明的有益效果是:本发明公开了一种基于极值标识的时间序列分类方法,与现有技术相比,本发明的改进之处在于:
(1)本发明提供的基于极值识别的时间序列分类方法在对样本数据库中的手部动作和手语标志进行分类时,首先从相邻数据点所形成的线段出发,将延长线所形成的数据趋势向终止点处延伸,确保了初期的数据趋势不被后期新数据的出现消除,保证了划分的时间序列的完整性;其次,延长线相交所获得的中枢点是可以被形成标记的,与最值或极值结合以后,可以有效对区域进行划分;最后,与传统的定长分段线性化方法比较,所获得的重要的分界点都由计算生成,不依靠事先设定,得到的手部动作分类和手语标志分类的结果更为客观;
(2)而且,本发明中的中枢点可以代表两条以上线段的趋势,因此中枢点只要满足不在线段内相交生成即可,这样非相邻的线段间的趋势可以被忽略,不受连线相交的影响,适应范围广,实用性强;
(3)本发明所述方法可以在获得实际点的同时,获得相应的线段斜率结果,其计算复杂度为O(1),整体计算的时间要求低,大大降低了手部动作和手语标志匹配过程中,曲线拟合过程的工作运算量和识别时间;
(4)本发明提供的中枢趋势点的分段线性化方法是将相邻点的变化趋势用延长线的方式表示出来,随着时间尺度的推移,当原有的趋势与新的趋势产生相交,形成中枢点,该点代表着原有的趋势和现在的趋势产生趋同的情况,这样,趋势得到数据的一致性认同;在考虑极值点的同时,最终获得的区间内的转折点,得到基于趋势段的分段线性化表示;本发明不受曲线参数、单位和采样间隔的影响,在曲线拟合和线性化表示领域中具有很强的延拓能力;通过本发明设计的方法,可以快速的确定、并匹配出样本数据库中相应的手部动作和手语标志,完成手部动作和手语标志的分类,进而完成半监督学习中对时序数据库进行样本分类和管理。
附图说明
图1是本发明的基于极值识别的时间序列的分类方法的分类流程图。
图2是本发明具体实施方式中等边三角形的初级形态降维时间序列图。
图3是本发明具体实施方式中等边三角形的二级形态降维时间序列图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1-3所示,一种基于极值标识的时间序列分类方法,包括以下步骤:
步骤一:首先利用肌电极或位置跟踪器测量人体自身的电信号,形成时间序列的样本数据库后(所述采集过程中,采样率>500Hz,并使用具有低截止和高截止频率的带通滤波器进行数据搜集),对样本数据进行手部动作分类和手语标志分类,首先进行标记正负样本,提供训练模型所需正负标签,标注哪些样本属于手部动作和手语标志(得到样本的初级形态),然后进行样本二次分类,对于不同手部动作进行二次标注;最后对时间序列中动作的起始点和结束点进行标注,确定动作的时间区间;
其具体步骤为:首先,为了获得更加精确的时间序列分类,通过特征采样的方法将训练用的数据库中的时间序列数据集转化为具有等长特征的时间序列;然后连接时间序列的起点和终点,此时以时间序列的起点和终点的连线作为基准线,进行区域划分,设基准线的上侧是高值区,基准线的下侧是低值区;
其中,所述的高值区和低值区由起点和终点的连线构成,加上最大值和最小值与界线相交,将时序所在区域可以分为四个部分;
步骤二:连接步骤一划分的时间序列的起点、终点,最大值、最小值,形成由连接起点、终点、最大值和最小值的三个线段组成的时间序列的初级形态;
根据初级形态中的连线和区域界线的方向关系,设定符号表,所述符号表的设定过程如下:
S1.连接各个时间序列的起点、最大值、最小值和终点,同时将时间序列的起点和终点的连线作为基准线;
S2.从两点的连线的起点开始,和最大值,最小值,终点,向右逐步形成多条线段;如果形成线段过程中所得到的射线,其射线方向与基准线形成逆时针的角度,则该角度大于零度为正角;如果形成线段过程中所得到的射线,其射线方向与基准线形成顺时针的角度,则该角度小于零度为负角;
S3.根据目标序列长度对样本长度序列进行划分,确保样本序列和目标序列的符号表长度的一致性,然后在步长相等的情况下,对所记载的一级指标的时间序列样本属性与目标序列相应的匹配计算和对比,对数据库中的若干手部动作和手语标志的时间序列进行分类,标志完全相同的序列确认为同一类手部动作或手语标志;
参照附图3,当上述步骤一和步骤二所划分出的数据库中的时间序列的初级形态和一级指标的序列样本的属性不足以进行手部动作分类和手语标志与目标序列的匹配计算,进行时间序列的分类时,应当在对时间序列进行初级形态划分的基础上,对初级形态进行再次划分,形成二级形态,其具体步骤如下:
步骤三:针对不同的时间序列初级形态,根据区间极值的分布,确定时间序列的二级形态,对手部动作进行分类,所述的时间序列的二级形态,是在最值的基础上,叠加区间极值形成的线段;
步骤四:按照二级形态中时间序列的连线和区域界线的关系,设定符号表,所述连线和区域界线的关系,包括平行,直接交叉和延长交叉等类型,直接交叉和延长交叉将会决定点的不同作用,直接交叉说明形态与区域界线发生了交叉,延长交叉表示不与区域界线目前不产生交叉,交叉结果可影响下一步的结果,根据实施例1的符号表的正负角划分原则,可以得到二级符号表;其中在二级符号表时,由于次大值和最大值,最小值的位置关系共有三个状态,依次是位于最大值前,最小值和最大值之间,最小值后,而对于最小值和最大值的次优值,其作用可以进行忽略;同理,次小值的关系也能够分成三个区,因此,对应不同的次大值和最大值,最小值的位置关系状态,所述二级符号表应当分不同情况进行符号表绘制,并将记录的数据设为二级指标;
步骤五、根据目标序列长度对样本长度序列进行划分(即对相邻的两个值点的距离进行调整),确保样本序列和目标序列的符号表长度(步长)的一致性,然后在步长相等的情况下,对二级符号表所记载的二级指标的时间序列样本属性与目标序列相应的匹配计算和对比,对数据库中的若干手部动作的时间序列进行分类,时间序列样本属性完全相同的序列确认为同一类手部动作或手语标志;
当上述步骤三—步骤五所述的初级形态的时间序列和二级指标的时间序列样本属性不足以进行手部动作分类和手语标志与目标序列的匹配计算,需要进行手部动作分类和手语标志分类时,应当在对时间序列进行二级形态划分的基础上,对二级形态进行再次划分,形成三形态、四级形态或者n级形态,直至匹配出时间序列样本完全相同的手部动作或手语标志(寻找到需要匹配的手部动作或手语标志后),停止时间序列样本数据的形态划分和分类动作,其具体步骤均如步骤三—步骤五所示,划分的级数越多,该形态与时间序列的拟合越全面,越能得到拟合程度好的时间序列,对数据库中时间序列分类的准确性越高,匹配出的手部动作和手语标志越准确。
所述手部动作和手语标志的时间序列样本属性包括:正负属性,动作分类属性,起始段时间,区域内样本实值;
所述的手部动作包括6类,分别为:握持球形工具的动作,握持小型工具的动作,手掌面向对象进行握持的动作,固定薄而扁平的物体的动作,固定圆柱形工具的动作和支撑重物的持构动作。
上述步骤一-步骤五所述的初级形态、二级形态、n及形态的获得包括以下步骤:
S1、在步骤一确定时间序列的起点和终点的连线为界线后,根据最值与界线的相对位置,形成最值的区域属性;对于给定的时间序列T,设定其特征点依次为起点O,终点E,最大值MU,最小值MD;
设Ox为起点横坐标值,Oy为起点纵坐标值;Ex为终点横坐标值,Ey为终点纵坐标值;MUx为最大值横坐标值,MUy最为大值纵坐标值;MDx为最小值横坐标值,MDy为最小值纵坐标值;
则最大值MU的左斜率SMUL和右斜率SMDL分别定义为:
和/>
S2、定义初级形态,对于给定的时间序列T,初级形态一般由三个线段和界线连接形成,如图2所示;
S3、定义二级形态,对于给定的时间序列T,二级形态是在初级形态的基础上,叠加次优值形成,SO为次大值,如图3所示;
S4、定义三级形态,对于给定的时间序列T,三级形态是在二级形态的基础上,叠加再次优值形成,SO1为再次大值;
S5、定义n级形态,对于给定的时间序列T,n级形态是在n-1级形态的基础上,叠加再次优值形成,SOn-2为n次大值。
利用本方法在进行机器学习和模式识别以及半监督场景学习过程中,对于手部动作进行分类时,对于其样本数据库中的手部动作和手语标志的时间序列进行分类和管理,可以更准确的定位手部动作的线性化特征,获得更优的线性拟合结果,更精准的匹配到对应的手部动作和手语标志;
同时利用非相邻的线段间的趋势表达的手部动作的时间序列更加全面,而且本发明提供的分段线性化方法首先从相邻数据点所形成的线段出发,将延长线所形成的数据趋势向终止点处延伸,确保了初期的数据趋势不被后期新数据的出现消除,进一步保证了划分的时间序列的完整性;
其次,延长线相交所获得的中枢点是可以被形成标记的,与最值或极值结合以后,可以有效对时间序列的区域进行划分;最后,与传统的定长分段线性化方法比较,所获得的重要的分界点都由计算生成,不依靠事先设定,结果更为客观;而且中枢点可以代表两条以上线段的趋势,因此中枢点只要满足不在线段内相交生成即可,这样非相邻的线段间的趋势可以被忽略,不受连线相交的影响,适应范围广,实用性强;
本发明所述方法可以在获得分段点的同时,获得相应的区间分类结果,其计算复杂度为O(1),整体计算的时间要求低,大大降低了手部动作和手语标志匹配过程中,曲线拟合过程的工作运算量和识别时间;而且中枢趋势点的分段线性化方法是将相邻点的变化趋势用延长线的方式表示出来,随着时间尺度的推移,当原有的趋势与新的趋势产生相交,形成中枢点,该点代表着原有的趋势和现在的趋势产生趋同的情况,这样,趋势得到数据的一致性认同,保证样本数据库中数据的保真性;在考虑极值点的同时,最终获得的区间内的转折点,得到基于趋势段的分段线性化表示;本发明不受曲线参数、单位和采样间隔的影响,在曲线拟合和线性化表示领域中具有很强的延拓能力;
通过上述方法,可以快速的确定、并匹配出样本数据库中相应的手部动作和手语标志,完成手部动作和手语标志的分类,进而完成半监督学习中对时序数据库进行样本分类和管理。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于极值标识的时间序列分类方法,其特征在于:包括以下步骤:
步骤一:在进行机器学习和模式识别半监督场景学习时,对于进行手部动作分类和手语标志分类问题,首先进行人体自身电信号的采集,然后通过特征采样的方法,将样本数据库中时间序列的数据转化为具有等长特征的时间序列,并且连接时间序列的起点和终点,进行区域划分;
步骤一所述的区域划分是指:将机器学习时的时间序列数据集按照特征采样的方法将训练用的时间序列数据集转化为具有等长特征的时间序列后,以时间序列的起点和终点连线为界线,连线的上侧是高值区,连线的下侧是低值区,并同时将时间序列的起点和终点的连线作为基准线;
步骤二:连接各个时间序列的起点、最大值、最小值和终点,形成时间序列的初级形态;
步骤二所述的时间序列的初级形态,是由连接起点、终点、最大值和最小值的三个线段组成的;
步骤三:针对不同的时间序列的初级形态,再根据区间极值的分布,确定时间序列的二级形态;
步骤三所述的时间序列的二级形态,是在初级形态最值的基础上,叠加次优值形成的;
步骤四:按照二级形态中连线和区域界线的方向关系,设定符号表;
步骤四所述的按照二级形态中连线和区域界线的方向关系,设定符号表的具体过程为:
S1.确定起点和终点的连线为界线,依次连接各个时间序列的起点、最大值、最小值和终点,同时将时间序列的起点和终点的连线作为基准线;
S2.从两点的连线的起点开始,最大值,最小值,终点,向右逐步形成多条线段;如果形成线段过程中所得到的射线方向与基准线形成逆时针的角度,则该角度大于零度为正角;如果形成线段过程中所得到的射线方向与基准线形成顺时针的角度,则该角度小于零度为负角;
S3.记录正、负夹角,形成一级指标、二级指标;
其中:所述的一级指标对应初级形态、二级指标对应二级形态;
步骤五:依据符号表,获得现有时间序列的符号表示,动态调整符号所表示的长度,确保样本序列和目标序列的符号表长度的一致性;
步骤六:根据符号表中标志的正负性进行相应的匹配计算,对时间序列进行分类,标志完全相同的序列确认为一类。
2.根据权利要求1所述的一种基于极值标识的时间序列分类方法,其特征在于:所述的高值区和低值区由起点和终点的连线构成,加上最大值和最小值与界线相交,将时序所在区域可以分为四个部分。
3.根据权利要求1所述的一种基于极值标识的时间序列分类方法,其特征在于:时间序列可以在初级形态和二级形态的基础上,进一步获得三级和四级形态,以及n级形态,划分的级数越多,时间样本与时间序列的拟合越全面;
所述的初级形态、二级形态和n级形态的获得包括以下步骤:
S1、在步骤一确定起点和终点的连线为界线后,根据最值与界线的相对位置,形成最值的区域属性;对于给定的时间序列T,设定其特征点依次为起点O,终点E,最大值MU,最小值MD;
设Ox为起点横坐标值,Oy为起点纵坐标值;Ex为终点横坐标值,Ey为终点纵坐标值;MUx为最大值横坐标值,MUy最为大值纵坐标值;MDx为最小值横坐标值,MDy为最小值纵坐标值;
则最大值MU的左斜率SMUL和右斜率SMDL分别定义为:
和/>
S2、定义初级形态,对于给定的时间序列T,初级形态由三个线段和界线连接形成;
S3、定义二级形态,对于给定的时间序列T,二级形态是在初级形态的基础上,叠加次优值形成,SO为次大值;
S4、定义三级形态,对于给定的时间序列T,三级形态是在二级形态的基础上,叠加再次优值形成,SO1为再次大值;
S5、定义n级形态,对于给定的时间序列T,n级形态是在n-1级形态的基础上,叠加再次优值形成,SOn-2为n次大值。
4.根据权利要求1所述的一种基于极值标识的时间序列分类方法,其特征在于:步骤一所述的进行人体自身电信号的采集过程中,采样率>500Hz,并使用具有低截止和高截止频率的带通滤波器进行数据搜集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549308.7A CN111783567B (zh) | 2020-06-16 | 2020-06-16 | 一种基于极值标识的时间序列分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549308.7A CN111783567B (zh) | 2020-06-16 | 2020-06-16 | 一种基于极值标识的时间序列分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783567A CN111783567A (zh) | 2020-10-16 |
CN111783567B true CN111783567B (zh) | 2023-07-25 |
Family
ID=72756556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010549308.7A Active CN111783567B (zh) | 2020-06-16 | 2020-06-16 | 一种基于极值标识的时间序列分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783567B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1272995A (zh) * | 1997-09-30 | 2000-11-08 | 西门子公司 | 搜索监听声的方法 |
JP2009205282A (ja) * | 2008-02-26 | 2009-09-10 | Gifu Auto Body Industry Co Ltd | 動作解析方法及び動作解析装置並びにその動作解析装置を利用した動作評価装置 |
WO2010031242A1 (zh) * | 2008-09-18 | 2010-03-25 | 炬力集成电路设计有限公司 | 一种手写符号的识别方法及装置 |
CN104205807A (zh) * | 2012-03-30 | 2014-12-10 | 索尼公司 | 图像处理设备、方法以及程序 |
CN109948540A (zh) * | 2019-03-19 | 2019-06-28 | 四川函钛科技有限公司 | 基于曲线插值和采样的时序qar参数特征提取方法 |
CN110647647A (zh) * | 2019-09-03 | 2020-01-03 | 西安外事学院 | 一种基于时间序列复杂度差异性的封闭图形相似性搜索方法 |
CN110689041A (zh) * | 2019-08-20 | 2020-01-14 | 陈羽旻 | 一种多目标行为动作识别预测方法、电子设备及存储介质 |
CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
JP2020067998A (ja) * | 2018-10-26 | 2020-04-30 | 剛一 尾和 | 特許文献集合の分析方法 |
CN111143442A (zh) * | 2019-12-31 | 2020-05-12 | 河海大学 | 一种融合趋势特征的时间序列符号聚集近似表示方法 |
-
2020
- 2020-06-16 CN CN202010549308.7A patent/CN111783567B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1272995A (zh) * | 1997-09-30 | 2000-11-08 | 西门子公司 | 搜索监听声的方法 |
JP2009205282A (ja) * | 2008-02-26 | 2009-09-10 | Gifu Auto Body Industry Co Ltd | 動作解析方法及び動作解析装置並びにその動作解析装置を利用した動作評価装置 |
WO2010031242A1 (zh) * | 2008-09-18 | 2010-03-25 | 炬力集成电路设计有限公司 | 一种手写符号的识别方法及装置 |
CN104205807A (zh) * | 2012-03-30 | 2014-12-10 | 索尼公司 | 图像处理设备、方法以及程序 |
JP2020067998A (ja) * | 2018-10-26 | 2020-04-30 | 剛一 尾和 | 特許文献集合の分析方法 |
CN109948540A (zh) * | 2019-03-19 | 2019-06-28 | 四川函钛科技有限公司 | 基于曲线插值和采样的时序qar参数特征提取方法 |
CN110689041A (zh) * | 2019-08-20 | 2020-01-14 | 陈羽旻 | 一种多目标行为动作识别预测方法、电子设备及存储介质 |
CN110647647A (zh) * | 2019-09-03 | 2020-01-03 | 西安外事学院 | 一种基于时间序列复杂度差异性的封闭图形相似性搜索方法 |
CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
CN111143442A (zh) * | 2019-12-31 | 2020-05-12 | 河海大学 | 一种融合趋势特征的时间序列符号聚集近似表示方法 |
Non-Patent Citations (2)
Title |
---|
基于节点行为特征分析的网络流量分类方法;叶春明 等;《电子与信息学报》;第36卷(第9期);第2158-2165页 * |
多维时间序列关联分析方法在电力设备故障预测中的应用;习伟 等;《电网与清洁能源》;第30卷(第12期);第60-65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783567A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960214A (zh) | 基于图像的物体识别方法 | |
CN105468677A (zh) | 一种基于图结构的日志聚类方法 | |
CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN107038447A (zh) | 一种基于机器视觉的指针式仪表识别方法 | |
CN109409385A (zh) | 一种指针式仪表自动识别方法 | |
CN105893703B (zh) | 一种基于多边形的城市道路网主干道选取方法 | |
CN102339376A (zh) | 基于主动形状模型和k近邻算法的人脸脸型分类处理方法 | |
CN102324038A (zh) | 一种基于数字图像的植物种类识别方法 | |
CN103400109A (zh) | 一种手绘草图离线识别与整形方法 | |
CN105631037A (zh) | 一种图像检索方法 | |
CN108614991A (zh) | 一种基于Hu不变矩的深度图像手势识别方法 | |
CN106599924A (zh) | 一种基于三支决策的分类器构建方法 | |
CN110647647B (zh) | 一种基于时间序列复杂度差异性的封闭图形相似性搜索方法 | |
CN111783567B (zh) | 一种基于极值标识的时间序列分类方法 | |
CN115619972A (zh) | 一种基于点云数据的道路标线磨损识别与评估方法 | |
CN105915224A (zh) | 一种基于MapReduce的并行化轨迹压缩方法 | |
CN105631465A (zh) | 一种基于密度峰值的高效层次聚类方法 | |
CN106611016A (zh) | 一种基于可分解词包模型的图像检索方法 | |
Yin et al. | A real-time memory updating strategy for unsupervised person re-identification | |
CN109035311A (zh) | 一种弯骨骨折自动配准及内固定钢板预弯建模方法 | |
CN108305195A (zh) | 一种面向中小学生评价和题目属性分析的综合指标体系 | |
CN115659253A (zh) | 一种基于多维模型融合的水下目标识别方法 | |
Qiao et al. | Segmentation and recognition of handwritten Pitman shorthand outlines using an interactive heuristic search | |
CN109583712A (zh) | 一种数据指标分析方法及装置、存储介质 | |
Shao et al. | Recognition of leaf image set based on manifold-manifold distance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |