CN114372538A - 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 - Google Patents

拖曳式传感器阵列中尺度涡时间序列卷积分类方法 Download PDF

Info

Publication number
CN114372538A
CN114372538A CN202210279199.0A CN202210279199A CN114372538A CN 114372538 A CN114372538 A CN 114372538A CN 202210279199 A CN202210279199 A CN 202210279199A CN 114372538 A CN114372538 A CN 114372538A
Authority
CN
China
Prior art keywords
sequence
convolution
sensor array
network
sample
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.)
Granted
Application number
CN202210279199.0A
Other languages
English (en)
Other versions
CN114372538B (zh
Inventor
年睿
卢宗灿
何波
张正光
高爽
翟颖
张卉
都奕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202210279199.0A priority Critical patent/CN114372538B/zh
Publication of CN114372538A publication Critical patent/CN114372538A/zh
Application granted granted Critical
Publication of CN114372538B publication Critical patent/CN114372538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，属于海洋观测技术领域。该方法包括：利用拖曳式传感器阵列采集海剖面观测数据，并对其进行扩增，并标注样本类别；建立时间卷积网络，选取具可区分性的最优Shapelet局部特征，并将多维立体观测时间序列转换为其与Shapelet的距离向量；构建在线序列超限学习机，将得到的距离向量的训练样本及其对应的类别标签输入至在线序列超限学习机网络进行训练，再将测试样本输入至训练好的在线序列超限学习机网络模型，最终获得目标分类结果。本发明再基于深度学习领域，速度更快，分类更准，能够更好地对传感器采集到的海洋数据进行分类，实现海洋环境立体监测。

Description

拖曳式传感器阵列中尺度涡时间序列卷积分类方法
技术领域
本发明涉及海洋观测技术和深度学习结合领域，具体涉及一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法。
背景技术
当今时代，精细化的海洋环境观测是进行海洋科学研究、从而深入认知海洋的基础，对海洋资源开发、海洋灾害预报以及保证国家安全均有重大意义。
时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分类（TSC）是数据挖掘中一个重要且具有挑战性的问题。随着时间序列数据可用性的增加，学术界已经提出了数百种时间序列分类算法。而在这些方法中，只有少数人考虑过深度神经网络来执行这项任务。传统的分类方法无法满足需求，故需要更先进的方法来进行数据分类。
现有的深度学习时间序列分类方法有以下不足：（1）大多算法分类时无法分类多变量时间序列，且长度不同的序列无法进行分类。（2）时间序列的属性维度过高(即时间步长过长)。数据集的序列时间步长，导致序列在全局上的差异变得不明显，增加学习的难度。（3）需要大量数据，少量的时间序列无法完成训练和分类。
发明内容
本发明的目的提出了一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，以弥补现有技术的不足。
为达到上述目的，本发明提出的具体技术方案为：
一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，该方法包括以下步骤：
S1：利用拖曳式传感器阵列采集海剖面观测数据-多维立体观测时间序列；
S2: 对海剖面观测数据进行扩增，并标注样本类别；
S3：建立时间卷积网络（TCN），选取具可区分性的最优Shapelet局部特征，并将多维立体观测时间序列转换为其与Shapelet的距离向量，并划分为训练样本和测试样本；
S4：构建在线序列超限学习机（OS-ELM），将S3得到的距离向量的训练样本及其对应的类别标签输入至在线序列超限学习机网络进行训练，再将测试样本输入至训练好的在线序列超限学习机网络模型，最终获得目标分类结果。
进一步的，所述S1中，首先搭建拖曳系统整体链路，再进行拖曳式传感器阵列布放与回收，采集拖曳式传感器阵列立体剖面观测数据。
进一步的，所述S3中，建立时间卷积网络（TCN）：网络结构由一维全卷积网络（Fully Convolutional Networks, FCN）和因果卷积（Casual Conventions）、膨胀卷积（Dilated Convolutions）、残差连接（Residual Connections）、最大池化层和线性层相结合；所述残差连接包含两层卷积层，引入线性整流函数（ReLU）作为激活函数，权重标准化（WeightNorm）实现正则化。
更进一步的，所述时间卷积网络的损失函数为：
设ε是一个超参数，
Figure 427319DEST_PATH_IMAGE001
是正样本集
Figure 704979DEST_PATH_IMAGE002
和第一个负样本集
Figure 750295DEST_PATH_IMAGE003
之间的margin，
Figure 83187DEST_PATH_IMAGE004
是在正样本集
Figure 350089DEST_PATH_IMAGE002
和第二个负样本集
Figure 313497DEST_PATH_IMAGE005
之间的margin，则损失函数如下式所示：
Figure 549174DEST_PATH_IMAGE006
(10)。
进一步的，所述S4中，所述在线序列超限学习机（OS-ELM）模型表示为以下矩阵形式：
Figure 13653DEST_PATH_IMAGE007
(12)
其中，取
Figure 620215DEST_PATH_IMAGE008
作为训练样本，设
Figure 66109DEST_PATH_IMAGE009
Figure 961384DEST_PATH_IMAGE010
，
Figure 652390DEST_PATH_IMAGE011
是连接第
Figure 441355DEST_PATH_IMAGE012
个隐藏神经元和输入神经元的权值向量，
Figure 74461DEST_PATH_IMAGE013
是连接第
Figure 706300DEST_PATH_IMAGE014
个隐藏神经元和输出神经元的权值向量，
Figure 184686DEST_PATH_IMAGE015
为隐藏神经元的数量，
Figure 93736DEST_PATH_IMAGE016
为激活函数。
本发明的优点和有益效果：
本发明针对传统海洋环境观测手段高分辨率、海洋多参数立体观测能力不足的问题，基于电磁耦合的拖曳式传感器阵列组网集成与快捷布放技术，每个传感器模块包括海洋光学、温度、电导率和压力传感器，拖曳链水下顶端固定有定深潜航器，形成用于测量200 米深海洋潜流、洋流尺度的在线观测装备。高精度、稳定、可靠的拖曳式传感器阵列采集到的水下时间序列数据十分庞大，但也对于采集到数据后的数据分类提出了挑战。
本发明再基于深度学习领域，速度更快，分类更准，可以更好地对传感器采集到的海洋数据进行分类，实现海洋环境立体监测。
附图说明
图1为本发明的整体流程图。
图2为残差块的结构图。
图3为FCN的结构图。
具体实施方式
为使本发明的目的、实施方案和优点更为清晰，下面结合附图并通过具体实施例来进一步详细说明本发明。
实施例1：
一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，该方法包括以下步骤（如图1所示）：
步骤一、搭建拖曳系统整体链路的，包括如下步骤：
拖曳系统由甲板单元、拖曳链、定深潜航器、电极等组成。设拖曳缆总长度为L，共包含N s 个传感器集成模块，设第
Figure 379967DEST_PATH_IMAGE017
节点到前一个节点的距离为L i 。
拖曳式光学、温度、盐度、压力传感器阵列布放与回收，包括如下步骤：
1）拖曳链布放与回收过程由甲板单元绞车、A架、模块组装与拆卸装置实施。设航速为
Figure 249834DEST_PATH_IMAGE018
，拖曳时间为
Figure 515599DEST_PATH_IMAGE019
，从水面到第个节点对应的缆长为
Figure 216839DEST_PATH_IMAGE020
，定深潜航器保证拖曳链底端在一定深度内开展立体剖面观测，实时测试张力
Figure 254065DEST_PATH_IMAGE021
以保证处于绞车承载力极限
Figure 361961DEST_PATH_IMAGE022
之内。
2）基于电磁耦合原理，拖曳系统在同一个传输链路实现非接触电能补给和数据传输，水上电控系统将直流电转换为高频交流信号，并为水下传感器集成模块供电并进行数据通信。设第
Figure 447729DEST_PATH_IMAGE023
个传感器集成模块采集的吸光度、荧光、温度、电导率、压力时间序列分别为
Figure 65792DEST_PATH_IMAGE024
，
Figure 195291DEST_PATH_IMAGE025
，
Figure 836488DEST_PATH_IMAGE026
，
Figure 151712DEST_PATH_IMAGE027
，
Figure 561965DEST_PATH_IMAGE028
，
Figure 127944DEST_PATH_IMAGE029
，
Figure 990858DEST_PATH_IMAGE030
，该多维立体观测时间序列集合为
Figure 480745DEST_PATH_IMAGE031
。
步骤二、将所采集到的拖曳式传感器阵列多维立体观测时间序列数据进行扩增。
1. 对拖曳式传感器阵列多维立体观测时间序列先拆分成一次子序列，然后将二次分解的子序列交替上下采样后合并，形成扩增子序列。对传感器集成模块多维立体观测时间序列
Figure 699499DEST_PATH_IMAGE032
分成m段获取子序列，设第j段的子序列
Figure 921533DEST_PATH_IMAGE033
长度为
Figure 786590DEST_PATH_IMAGE034
，
Figure 80168DEST_PATH_IMAGE035
。
2. 将上述子序列
Figure 668275DEST_PATH_IMAGE033
再行分解为
Figure 543434DEST_PATH_IMAGE036
个长度为
Figure 974415DEST_PATH_IMAGE037
的子序列
Figure 743788DEST_PATH_IMAGE038
，
Figure 435670DEST_PATH_IMAGE039
，
Figure 530665DEST_PATH_IMAGE040
，
Figure 809461DEST_PATH_IMAGE041
。对上述二次分解的第k个子序列
Figure 382525DEST_PATH_IMAGE042
进行上下交替采样，当
Figure 460072DEST_PATH_IMAGE043
时，采用步幅为
Figure 522705DEST_PATH_IMAGE044
的下采样获取子序列
Figure 69224DEST_PATH_IMAGE045
。当
Figure 187922DEST_PATH_IMAGE046
时，在第
Figure 136287DEST_PATH_IMAGE047
个子序列
Figure 494456DEST_PATH_IMAGE042
上插值，以步幅为
Figure 528271DEST_PATH_IMAGE048
的上采样获取子序列
Figure 193870DEST_PATH_IMAGE049
。将上述交替上下采样获取的子序列按顺序连接，合并为扩增子序列
Figure 996741DEST_PATH_IMAGE050
。设
Figure 401177DEST_PATH_IMAGE051
有
Figure 437135DEST_PATH_IMAGE052
个取值
Figure 827796DEST_PATH_IMAGE053
，经由
Figure 764135DEST_PATH_IMAGE051
取值的改变，将会得到
Figure 339473DEST_PATH_IMAGE052
种不同的扩增变换
Figure 613459DEST_PATH_IMAGE054
；
3) 设类别个数为M，为拖曳式传感器阵列多维立体观测时间序列首先分配M个原始标签，
Figure 57079DEST_PATH_IMAGE055
。进一步，根据上述
Figure 100121DEST_PATH_IMAGE056
种扩增变换，为每种类别再分配对应的自监督细节类别标签，
Figure 846361DEST_PATH_IMAGE057
，形成
Figure 92796DEST_PATH_IMAGE058
个细分类别。
步骤三、建立时间卷积网络TCN网络（如图3所示），包括如下具体步骤：
1. 时间卷积网络（TCN）是一维的全卷积网络（FCN）和因果卷积（CasualConventions）相结合的网络，其卷积层结合了膨胀卷积（Dilated Convolutions）与因果卷积两种结构。从网络结构来看，TCN网络主要包括因果卷积、膨胀卷积、残差连接（ResidualConnections）、最大池化层和线性层部分。
2. 对于因果卷积
Figure 90839DEST_PATH_IMAGE059
，某一时刻的输出只与该时刻和更早时间的输入有关。输入时间序列
Figure 237656DEST_PATH_IMAGE060
，有输出
Figure 826900DEST_PATH_IMAGE061
，即
Figure 137796DEST_PATH_IMAGE062
(1)
其中，输出值
Figure 224350DEST_PATH_IMAGE063
只依赖于该时刻之前的输入值，而与未来的输入值无关。这样的因果卷积存在一个缺点，为了获取长期有效的历史信息，需要一个非常深的网络模型来抽取历史时间序列中的特征。为了解决这个问题，TCN引入了膨胀卷积，从而在确保获取足够长的历史有效信息的同时，大大降低网络的深度和复杂程度。膨胀卷积通过跳过给定步长
Figure 976406DEST_PATH_IMAGE064
的输入值来获取距离当前输入更远的信息，当
Figure 454660DEST_PATH_IMAGE065
时，扩张卷积层和普通卷积层的结构一致。当
Figure 924956DEST_PATH_IMAGE064
取其他值时，扩张卷积层会跨越给定步长选取相邻的输入值进行后续的卷积操作。
Figure 389435DEST_PATH_IMAGE064
被称为膨胀因子，其取值通常为2的倍数。
3. 在训练深层网络时，残差连接可以跨层传递信息，从而提高网络的训练速度，避免梯度消失或梯度爆炸的问题。TCN的残差连接模块（其结构如图2所示）包含了两层卷积层，还引入了线性整流函数（ReLU）作为激活函数，引入了权重标准化（WeightNorm）以实现正则化。为了使输出长度相同，在输出之前引入一个全局最大池化层和一个线性层，置于最后一个残次连接模块之后，使网络的输出序列长度相同。
在上述时间卷积网络中输入序列
Figure 746730DEST_PATH_IMAGE066
，输出为候选Shapelet表示
Figure 146618DEST_PATH_IMAGE068
，其中
Figure 87898DEST_PATH_IMAGE069
为输入候选子序列
Figure 28172DEST_PATH_IMAGE070
分配的标签。如下式：
Figure 82716DEST_PATH_IMAGE072
(2)；
4. 损失函数：设正样本集
Figure 198046DEST_PATH_IMAGE073
与anchor样本集
Figure 315038DEST_PATH_IMAGE074
的归一化距离为
Figure 42691DEST_PATH_IMAGE075
，负样本集
Figure 420583DEST_PATH_IMAGE076
与anchor样本集
Figure 647427DEST_PATH_IMAGE077
的归一化距离为
Figure 579611DEST_PATH_IMAGE078
，第二个负样本集
Figure 924005DEST_PATH_IMAGE079
与anchor样本集
Figure 874512DEST_PATH_IMAGE077
的归一化距离为
Figure 318263DEST_PATH_IMAGE080
。设
Figure 440807DEST_PATH_IMAGE081
和
Figure 526575DEST_PATH_IMAGE082
分别为正负样本集
Figure 66009DEST_PATH_IMAGE083
和
Figure 274137DEST_PATH_IMAGE084
的样本大小，
Figure 915334DEST_PATH_IMAGE085
为CNN的输入，那么可得下式：
Figure 227628DEST_PATH_IMAGE086
(3)
Figure 903460DEST_PATH_IMAGE087
(4)
Figure 938281DEST_PATH_IMAGE088
(5)
除了正负样本与anchor样本之间的距离外，还有正样本与正样本，负样本与负样本之间的距离，并且正样本之间的距离应该很小而负样本之间的距离应该很大。所有正样本之间的最大距离
Figure 129091DEST_PATH_IMAGE089
、第一组负样本之间的最大距离
Figure 556662DEST_PATH_IMAGE090
以及第二组负样本之间的最大距离
Figure 772486DEST_PATH_IMAGE091
，如下式所示：
Figure 994520DEST_PATH_IMAGE092
(6)
Figure 859577DEST_PATH_IMAGE093
(7)
Figure 887575DEST_PATH_IMAGE094
(8)
样本内损失
Figure 272420DEST_PATH_IMAGE095
的定义如下式：
Figure 416088DEST_PATH_IMAGE096
(9)
基于上述的过程，可在模型中提出损失函数，用来在无监督的方式下训练网络。设
Figure 456856DEST_PATH_IMAGE097
是一个超参数，
Figure 475497DEST_PATH_IMAGE098
是正样本集
Figure 777165DEST_PATH_IMAGE099
和第一个负样本集
Figure 606581DEST_PATH_IMAGE003
之间的margin，
Figure 888307DEST_PATH_IMAGE100
是在正样本集
Figure 195792DEST_PATH_IMAGE002
和第二个负样本集
Figure 617546DEST_PATH_IMAGE005
之间的margin，则损失函数如下式所示：
Figure 601551DEST_PATH_IMAGE101
(10)
通过上文，所有的候选序列都被输入到一个统一的空间中。接下来获得候选序列的
Figure 413650DEST_PATH_IMAGE102
个聚类，设
Figure 478820DEST_PATH_IMAGE103
，用下列公式对最接近质心的候选序列进行排序：
Figure 692764DEST_PATH_IMAGE104
(11)
5. 进行将待分类时间序列转换为向量的多维特征序列变换。根据上述(11)式在所有
Figure 926299DEST_PATH_IMAGE105
个聚类中选择最适合本次研究的
Figure 474961DEST_PATH_IMAGE106
个候选聚类，通过挑出来的
Figure 61931DEST_PATH_IMAGE106
个候选聚类来检索原始的时间序列子序列，作为最终的Shapelet，其最终的Shapelet记为
Figure 878184DEST_PATH_IMAGE107
。计算扩增好的时间序列如
Figure 220303DEST_PATH_IMAGE109
与
Figure 69311DEST_PATH_IMAGE107
的距离，将时间序列转换为向量
Figure 771556DEST_PATH_IMAGE110
，其中
Figure 897775DEST_PATH_IMAGE112
。
步骤四、将变换后的向量输入OS-ELM分类网络中，设多维特征向量变换所获得的向量
Figure 161529DEST_PATH_IMAGE113
，将其与标签扩增所得到的标签相互对应，可以构建一组新的带有标签的数据。取
Figure 497832DEST_PATH_IMAGE114
作为训练样本，设
Figure 488922DEST_PATH_IMAGE115
，
Figure 781232DEST_PATH_IMAGE116
是连接第
Figure 668416DEST_PATH_IMAGE014
个隐藏神经元和输入神经元的权值向量，
Figure 640484DEST_PATH_IMAGE117
是连接第
Figure 763161DEST_PATH_IMAGE014
个隐藏神经元和输出神经元的权值向量，
Figure 660710DEST_PATH_IMAGE015
为隐藏神经元的数量，
Figure 702484DEST_PATH_IMAGE016
为激活函数，模型可以表示为以下矩阵形式：
Figure 951063DEST_PATH_IMAGE118
(12)
经过以上步骤，可以实现对向量进行分类，进而对时间序列进行分类。
在上述实施例的基础上，本发明继续对其中涉及到的技术特征及该技术特征在本发明中所起到的功能、作用进行详细的描述，以帮助本领域的技术人员充分理解本发明的技术方案并且予以重现。

Claims (5)

1.一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，其特征在于，该方法包括以下步骤：
S1：利用拖曳式传感器阵列采集海剖面观测数据，得到多维立体观测时间序列；
S2: 对海剖面观测数据进行扩增，并标注样本类别；
S3：建立时间卷积网络，选取具可区分性的最优Shapelet局部特征，并将多维立体观测时间序列转换为其与Shapelet的距离向量，并划分为训练样本和测试样本；
S4：构建在线序列超限学习机，将S3得到的距离向量的训练样本及其对应的类别标签输入至在线序列超限学习机网络进行训练，再将测试样本输入至训练好的在线序列超限学习机网络模型，最终获得目标分类结果。
2.如权利要求1所述的分类方法，其特征在于，所述S1中，首先搭建拖曳系统整体链路，再进行拖曳式传感器阵列布放与回收，采集拖曳式传感器阵列立体剖面观测数据。
3.如权利要求1所述的分类方法，其特征在于，所述S3中，建立时间卷积网络：网络结构由一维全卷积网络和因果卷积、膨胀卷积、残差连接、最大池化层和线性层相结合；所述残差连接包含两层卷积层，引入线性整流函数作为激活函数，权重标准化实现正则化。
4.如权利要求3所述的分类方法，其特征在于，所述时间卷积网络的损失函数为：
设
Figure 71965DEST_PATH_IMAGE001
是一个超参数，
Figure 604446DEST_PATH_IMAGE002
是正样本集
Figure 741423DEST_PATH_IMAGE003
和第一个负样本集
Figure 805193DEST_PATH_IMAGE005
之间的margin，
Figure 863148DEST_PATH_IMAGE006
是在正样本集
Figure 224089DEST_PATH_IMAGE003
和第二个负样本集
Figure 607666DEST_PATH_IMAGE008
之间的margin，则损失函数如下式所示：
Figure 486629DEST_PATH_IMAGE010
。
5.如权利要求1所述的分类方法，其特征在于，所述S4中，所述在线序列超限学习机模型表示为以下矩阵形式：
Figure 879433DEST_PATH_IMAGE012
其中，取
Figure 451754DEST_PATH_IMAGE014
作为训练样本，设
Figure 819281DEST_PATH_IMAGE016
，
Figure 841332DEST_PATH_IMAGE018
是连接第
Figure DEST_PATH_IMAGE019
个隐藏神经元和输入神经元的权值向量，
Figure DEST_PATH_IMAGE021
是连接第a个隐藏神经元和输出神经元的权值向量，L为隐藏神经元的数量，
Figure 549745DEST_PATH_IMAGE022
为激活函数。
CN202210279199.0A 2022-03-22 2022-03-22 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 Active CN114372538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210279199.0A CN114372538B (zh) 2022-03-22 2022-03-22 拖曳式传感器阵列中尺度涡时间序列卷积分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210279199.0A CN114372538B (zh) 2022-03-22 2022-03-22 拖曳式传感器阵列中尺度涡时间序列卷积分类方法

Publications (2)

Publication Number Publication Date
CN114372538A true CN114372538A (zh) 2022-04-19
CN114372538B CN114372538B (zh) 2023-04-18

Family

ID=81146460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210279199.0A Active CN114372538B (zh) 2022-03-22 2022-03-22 拖曳式传感器阵列中尺度涡时间序列卷积分类方法

Country Status (1)

Country Link
CN (1) CN114372538B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116232761A (zh) * 2023-05-04 2023-06-06 华东交通大学 基于shapelet的网络异常流量检测方法及系统

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN108564128A (zh) * 2018-04-19 2018-09-21 重庆大学 一种融合数据结构信息的脑电信号在线识别方法
CN109213884A (zh) * 2018-11-26 2019-01-15 北方民族大学 一种基于草图检索三维模型的跨模态检索方法
KR20190072823A (ko) * 2017-12-18 2019-06-26 한국과학기술원 Rnn 문장임베딩과 elm 알고리즘을 이용한 은행업무 관련 고객상담을 위한 도메인 특화 화행분류 방법
CN109977798A (zh) * 2019-03-06 2019-07-05 中山大学 用于行人重识别的掩膜池化模型训练和行人重识别方法
CN110765866A (zh) * 2019-09-18 2020-02-07 新疆爱华盈通信息技术有限公司 人脸识别方法和人脸识别设备
CN110781830A (zh) * 2019-10-28 2020-02-11 西安电子科技大学 基于空-时联合卷积的sar序列图像分类方法
CN110968734A (zh) * 2019-11-21 2020-04-07 华东师范大学 一种基于深度度量学习的行人重识别方法及装置
CN111008224A (zh) * 2019-11-13 2020-04-14 浙江大学 一种基于深度多任务表示学习的时间序列分类和检索方法
CN111460985A (zh) * 2020-03-30 2020-07-28 华中科技大学 基于跨摄像头人体匹配的现场工人轨迹统计方法和系统
CN111507213A (zh) * 2020-04-03 2020-08-07 北京三快在线科技有限公司 图像识别方法、装置、存储介质及电子设备
CN111667001A (zh) * 2020-06-05 2020-09-15 平安科技（深圳）有限公司 目标重识别方法、装置、计算机设备和存储介质
CN111814897A (zh) * 2020-07-20 2020-10-23 辽宁大学 一种基于多层次shapelet的时间序列数据分类方法
CN112215406A (zh) * 2020-09-23 2021-01-12 国网甘肃省电力公司营销服务中心 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法
CN112329826A (zh) * 2020-10-24 2021-02-05 中国人民解放军空军军医大学 图像识别模型的训练方法、图像识别方法和装置
CN112488392A (zh) * 2020-12-01 2021-03-12 重庆邮电大学 一种基于机器学习的智慧水务日用水量预测方法
CN112487902A (zh) * 2020-11-20 2021-03-12 杭州电子科技大学 面向外骨骼的基于tcn-hmm的步态相位分类方法
CN112668544A (zh) * 2021-01-13 2021-04-16 昆明理工大学 一种基于难样本混淆增强特征鲁棒性的行人重识别方法
CN112712003A (zh) * 2020-12-25 2021-04-27 华南理工大学 一种用于骨骼动作序列识别的联合标签数据增强方法
CN112818832A (zh) * 2021-01-28 2021-05-18 中国科学技术大学 一种基于部件感知的弱监督物体定位装置及方法
CN113033555A (zh) * 2021-03-25 2021-06-25 天津大学 基于度量学习的视觉slam闭环检测方法
CN113408585A (zh) * 2021-05-21 2021-09-17 上海师范大学 一种基于人工智能的智能印章移动检测方法
CN113777496A (zh) * 2021-09-06 2021-12-10 北京化工大学 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN113807562A (zh) * 2021-06-25 2021-12-17 中国海洋大学 海洋表面温度的预测方法
CN114118226A (zh) * 2021-11-03 2022-03-01 南京信息工程大学 一种基于时间卷积网络模型的ecg数据分类方法

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
KR20190072823A (ko) * 2017-12-18 2019-06-26 한국과학기술원 Rnn 문장임베딩과 elm 알고리즘을 이용한 은행업무 관련 고객상담을 위한 도메인 특화 화행분류 방법
CN108564128A (zh) * 2018-04-19 2018-09-21 重庆大学 一种融合数据结构信息的脑电信号在线识别方法
CN109213884A (zh) * 2018-11-26 2019-01-15 北方民族大学 一种基于草图检索三维模型的跨模态检索方法
CN109977798A (zh) * 2019-03-06 2019-07-05 中山大学 用于行人重识别的掩膜池化模型训练和行人重识别方法
CN110765866A (zh) * 2019-09-18 2020-02-07 新疆爱华盈通信息技术有限公司 人脸识别方法和人脸识别设备
CN110781830A (zh) * 2019-10-28 2020-02-11 西安电子科技大学 基于空-时联合卷积的sar序列图像分类方法
CN111008224A (zh) * 2019-11-13 2020-04-14 浙江大学 一种基于深度多任务表示学习的时间序列分类和检索方法
CN110968734A (zh) * 2019-11-21 2020-04-07 华东师范大学 一种基于深度度量学习的行人重识别方法及装置
CN111460985A (zh) * 2020-03-30 2020-07-28 华中科技大学 基于跨摄像头人体匹配的现场工人轨迹统计方法和系统
CN111507213A (zh) * 2020-04-03 2020-08-07 北京三快在线科技有限公司 图像识别方法、装置、存储介质及电子设备
CN111667001A (zh) * 2020-06-05 2020-09-15 平安科技（深圳）有限公司 目标重识别方法、装置、计算机设备和存储介质
CN111814897A (zh) * 2020-07-20 2020-10-23 辽宁大学 一种基于多层次shapelet的时间序列数据分类方法
CN112215406A (zh) * 2020-09-23 2021-01-12 国网甘肃省电力公司营销服务中心 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法
CN112329826A (zh) * 2020-10-24 2021-02-05 中国人民解放军空军军医大学 图像识别模型的训练方法、图像识别方法和装置
CN112487902A (zh) * 2020-11-20 2021-03-12 杭州电子科技大学 面向外骨骼的基于tcn-hmm的步态相位分类方法
CN112488392A (zh) * 2020-12-01 2021-03-12 重庆邮电大学 一种基于机器学习的智慧水务日用水量预测方法
CN112712003A (zh) * 2020-12-25 2021-04-27 华南理工大学 一种用于骨骼动作序列识别的联合标签数据增强方法
CN112668544A (zh) * 2021-01-13 2021-04-16 昆明理工大学 一种基于难样本混淆增强特征鲁棒性的行人重识别方法
CN112818832A (zh) * 2021-01-28 2021-05-18 中国科学技术大学 一种基于部件感知的弱监督物体定位装置及方法
CN113033555A (zh) * 2021-03-25 2021-06-25 天津大学 基于度量学习的视觉slam闭环检测方法
CN113408585A (zh) * 2021-05-21 2021-09-17 上海师范大学 一种基于人工智能的智能印章移动检测方法
CN113807562A (zh) * 2021-06-25 2021-12-17 中国海洋大学 海洋表面温度的预测方法
CN113777496A (zh) * 2021-09-06 2021-12-10 北京化工大学 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN114118226A (zh) * 2021-11-03 2022-03-01 南京信息工程大学 一种基于时间卷积网络模型的ecg数据分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GEORGI TINCHEV ET AL: "Learning to See the Wood for the Trees: Deep Laser Localization in Urban and Natural Environments on a CPU", 《IEEE ROBOTICS AND AUTOMATION LETTERS》, 25 January 2019 (2019-01-25), pages 1327 - 1334 *
QIUYAN YAN ET AL: "Adapting ELM to Time Series Classification: A Novel Diversified Top-k Shapelets Extraction Method", 《ARXIV:1606.05934V1》, 15 August 2018 (2018-08-15), pages 1 - 13 *
WEIPENG CAO: "ROS-ELM: A Robust Online Sequential Extreme Learning Machine for Big Data Analytics", 《ELM》, 31 December 2014 (2014-12-31), pages 1 - 24 *
庄万青: "基于深度shapelet学习时序分类方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2021, no. 2, 15 February 2021 (2021-02-15), pages 2 - 4 *
王宏力等著: "《惯性测量组合智能故障诊断及预测技术》", 31 May 2017, pages: 124 - 125 *
闫汶和等: "基于shapelet的时间序列分类研究", 《计算机科学》, vol. 46, no. 1, 31 January 2019 (2019-01-31), pages 29 - 35 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116232761A (zh) * 2023-05-04 2023-06-06 华东交通大学 基于shapelet的网络异常流量检测方法及系统

Also Published As

Publication number Publication date
CN114372538B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111898634B (zh) 一种基于深度对抗域自适应的智能故障诊断方法
CN113255733B (zh) 多模态数据缺失下的无监督异常检测方法
CN114926746B (zh) 基于多尺度差分特征注意力机制的sar图像变化检测方法
CN112069940B (zh) 一种基于分阶段特征学习的跨域行人重识别方法
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
CN108830296A (zh) 一种改进的基于深度学习的高分遥感影像分类方法
CN108596203B (zh) 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法
CN111967486A (zh) 一种基于多传感器融合的复杂装备故障诊断方法
CN107451565B (zh) 一种半监督小样本深度学习图像模式分类识别方法
CN110941734B (zh) 基于稀疏图结构的深度无监督图像检索方法
CN109902714B (zh) 一种基于多图正则化深度哈希的多模态医学图像检索方法
CN112329536A (zh) 一种基于交替对抗迁移学习的单样本人脸识别方法
CN113095414A (zh) 一种基于卷积神经网络和支持向量机的示功图识别方法
CN114372538B (zh) 拖曳式传感器阵列中尺度涡时间序列卷积分类方法
CN117725491B (zh) 一种基于SCINet的电力系统故障状态检测分类方法
CN116538127B (zh) 轴流风机及其控制系统
CN113177577A (zh) 一种基于改进卷积神经网络的轴承故障诊断方法
CN112257862A (zh) 一种基于关系网络标记样本扩充的半监督辨识方法
CN114638256A (zh) 基于声波信号及注意力网络的变压器故障检测方法及其系统
CN115965819A (zh) 一种基于Transformer结构的轻量化害虫识别方法
CN117975002A (zh) 一种基于多尺度伪标签融合的弱监督图像分割方法
CN117611576A (zh) 一种基于图文融合对比学习预测方法
Zeng et al. Bearing fault diagnosis with denoising autoencoders in few labeled sample case
CN114722926A (zh) 拖曳式传感器阵列中尺度涡时间序列图卷积聚类方法
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法

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