CN114372538B - 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 - Google Patents

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，是正样本集和第一个负样本集之间的margin，是在正样本集和第二个负样本集之间的margin，则损失函数如下式所示：

 (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：

 (12)

其中，取作为训练样本，设 ，是连接第个隐藏神经元和输入神经元的权值向量，是连接第个隐藏神经元和输出神经元的权值向量，为隐藏神经元的数量，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，拖曳时间为，从水面到第个节点对应的缆长为，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，实时测试张力以保证处于绞车承载力极限之内。

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，，，，，，，该多维立体观测时间序列集合为。

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分成m段获取子序列，设第j段的子序列长度为，。

2. 将上述子序列再行分解为个长度为的子序列，，，。对上述二次分解的第k个子序列进行上下交替采样，当时，采用步幅为的下采样获取子序列。当时，在第个子序列上插值，以步幅为的上采样获取子序列。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。设有个取值，经由取值的改变，将会得到种不同的扩增变换；

 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，。进一步，根据上述种扩增变换，为每种类别再分配对应的自监督细节类别标签，，形成个细分类别。

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，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，有输出，即

 (1)

其中，输出值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的输入值来获取距离当前输入更远的信息，当时，扩张卷积层和普通卷积层的结构一致。当取其他值时，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。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，输出为候选Shapelet表示，其中为输入候选子序列分配的标签。如下式：

 (2)；

4. 损失函数：设正样本集与anchor样本集的归一化距离为，负样本集与anchor样本集的归一化距离为，第二个负样本集与anchor样本集的归一化距离为。设和分别为正负样本集和的样本大小，为CNN的输入，那么可得下式：

  (3)

 (4)

 (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、第一组负样本之间的最大距离以及第二组负样本之间的最大距离，如下式所示：

 (6)

 (7)

 (8)

样本内损失的定义如下式：

 (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。设是一个超参数，是正样本集和第一个负样本集之间的margin，是在正样本集和第二个负样本集之间的margin，则损失函数如下式所示：

 (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个聚类，设，用下列公式对最接近质心的候选序列进行排序：

 (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)式在所有个聚类中选择最适合本次研究的个候选聚类，通过挑出来的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。计算扩增好的时间序列如与的距离，将时间序列转换为向量，其中。

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，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。取作为训练样本，设，是连接第个隐藏神经元和输入神经元的权值向量，是连接第个隐藏神经元和输出神经元的权值向量，为隐藏神经元的数量，为激活函数，模型可以表示为以下矩阵形式：

 (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 (2)

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-多维立体观测时间序列；

S2:对所述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，选取具有可区分性的最优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；所述时间卷积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；所述时间卷积网络的损失函数为：设ε是一个超参数，λ₁是正样本集x⁺和第一个负样本集x^1-之间的margin，λ₂是在正样本集x⁺和第二个负样本集x^2-之间的margin，则损失函数如下式所示：

设正样本集x⁺与anchor样本集x的归一化距离为d_a+，负样本集x^1-与anchor样本集x的归一化距离为

第二负样本集x^2-与anchor样本集x的归一化距离为

设D⁺、D^1-和D^2-分别为正负样本集x⁺、x^1-和x^2-的样本大小，f(·)∈R^z为TCN的输入，则

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d₊、第一组负样本之间的最大距离d_1-以及第二组负样本之间的最大距离d_2-，如下式所示：

样本内损失d_in的定义如下式：

d_in＝d₊+d_1-+d_2-

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；

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N个聚类，设α∈[0，1]，用下列公式对最接近质心集群质心的候选序列进行排序：

根据上式在所有聚类中选择最适合的n′M个候选聚类，通过挑出来的n′M个候选聚类来检索原始的时间序列子序列，作为最终的Shapelet，其中n′为S2步骤中一次子序列不同的扩增变换的种类，M为类别个数；

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。

Images