CN114897090A - 一种基于图神经网络的长时间序列分类方法 - Google Patents

一种基于图神经网络的长时间序列分类方法 Download PDF

Info

Publication number
CN114897090A
CN114897090A CN202210588513.3A CN202210588513A CN114897090A CN 114897090 A CN114897090 A CN 114897090A CN 202210588513 A CN202210588513 A CN 202210588513A CN 114897090 A CN114897090 A CN 114897090A
Authority
CN
China
Prior art keywords
network
graph
time sequence
data
segment
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.)
Pending
Application number
CN202210588513.3A
Other languages
English (en)
Inventor
宣琦
周锦超
周晴
陈壮志
徐东伟
杨小牛
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202210588513.3A priority Critical patent/CN114897090A/zh
Publication of CN114897090A publication Critical patent/CN114897090A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于图神经网络的长时间序列分类方法，包括：1)采集样本数据集，设定分段数并将时间序列数据分段；2)将每段时间序列数据分别转换为对应的网络图数据；3)采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，得到时间序列数据对局部特征向量，并同步训练各分段网络图的邻接矩阵；4)采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到各分段最终的特征向量；5)融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；6)调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤2‑5至分类效果最佳。本发明减少计算资源消耗，降低计算时间。

Description

一种基于图神经网络的长时间序列分类方法
技术领域
本发明涉及网络科学、数据挖掘以及数据分析技术领域，尤其涉及一种基于图神经网络的长时间序列分类方法。
背景技术
时间序列是很多数据不可缺少的特征之一，其应用很广泛，如在无线电信号识别(参考文献[1]:Chen Z,Cui H,Xiang J,et al.SigNet:A Novel Deep LearningFramework for Radio Signal Classification[J].IEEE Transactions on CognitiveCommunications and Networking,2021，即Chen Z,Cui H,Xiang J,et al.，信号网络：一种新颖的无线电信号分类深度学习框架，IEEE Transactions on CognitiveCommunications and Networking,2021.)、股票预测(参考文献[2]:Qian M C,Jiang Z Q,Zhou W X.Universal and nonuniversal allometric scaling behaviors in thevisibility graphs of world stock market indices[J].Journal of Physics A:Mathematical and Theoretical,2010,43(33):335002，即Qian M C,Jiang Z Q,Zhou WX，世界股票市场指数可视图中的通用和非通用异速生长缩放行为，Journal of PhysicsA:Mathematical and Theoretical,2010,43(33):335002.)、脑电信号病发检测(参考文献[3]:Supriya S,Siuly S,Wang H,et al.Weighted visibility graph with complexnetwork features in the detection of epilepsy[J].IEEE Access,2016,4:6554-6566，即Supriya S,Siuly S,Wang H,et al.，具有复杂网络特征的加权可视图在癫痫检测中的应用，IEEE Access,2016,4:6554-6566.)、天气预测(参考文献[4]:Telesca L,Lovallo M.Analysis of seismic sequences by using the method of visibilitygraph[J].EPL(Europhysics Letters),2012,97(5):50002，即Telesca L,Lovallo M，用可视图法分析地震序列，EPL(Europhysics Letters),2012,97(5):50002.)、交通趋势(参考文献[5]:Liu H,Zhang X,Zhang X.Exploring dynamic evolution and fluctuationcharacteristics of air traffic flow volume time series:A single waypoint case[J].Physica A:Statistical Mechanics and its Applications,2018,503:560-571，即Liu H,Zhang X,Zhang X，空中交通流量时间序列动态演化与波动特征探索：以单航路点为例，Physica A:Statistical Mechanics and its Applications,2018,503:560-571.)、金融预测(参考文献[6]:Wang N,Li D,Wang Q.Visibility graph analysis on quarterlymacroeconomic series of China based on complex network theory[J].Physica A:Statistical Mechanics and its Applications,2012,391(24):6543-6555，即Wang N,LiD,Wang Q，基于复杂网络理论的中国季度宏观经济序列可视图分析，Physica A:Statistical Mechanics and its Applications,2012,391(24):6543-6555.)等的应用。涉及时间序列的任务主要可以分为两种：基于时间序列的分类任务及基于时间序列的预测任务。本发明主要研究长时间序列的分类问题。时间序列分类是数据挖掘中一个重要且具有挑战性的问题。随着深度学习技术的发展以及卷积神经网络在图像视觉领域上的成功运用，越来越多的研究人员将其应用于时间序列数据并取得了出色的效果。此外，与时间序列高度契合的循环神经网络也在该领域取得了优于传统方法的分类效果。而后，随着图神经网络的崛起，网络图与时间序列的联合研究也开始涌现，甚至取得了比卷积神经网络更出色的分类效果。
网络图和时间序列是现实世界中两种典型的数据，网络图常常用于描述许多复杂系统的拓扑结构，其中节点代表子系统，网络图中的连边用于表征子系统之间的关系；而时间序列则是常常被用于捕捉这些子系统的时间动态特性。随着复杂网络领域的发展，研究人员开始考虑将时间序列映射成网络图数据，而后将时间序列分类任务转换为网络图分类任务，结合图神经网络取得了出色的分类效果。当今学界中已有多种通过复杂网络理论实现时间序列分类任务的方法，例如可视图(VG)、水平可视图(HVG)和有限穿越可视图(LPVG)等传统方法以及结合图神经网络的自适应可视图(AVG)等深度学习方法(参考文献[7]:Xuan Q,Zhou J,Qiu K,et al.Adaptive Visibility Graph Neural Network and ItsApplication in Modulation Classification[J].IEEE Transactions on NetworkScience and Engineering,2022，即Xuan Q,Zhou J,Qiu K,et al.，自适应可视图及其在调制识别的应用，IEEE Transactions on Network Science and Engineering,2022.)，并且实验证明这些建立网络的方法都能够提取并保留时间序列的周期、分形、混沌动力学等特征。但是传统映射算法网络构建过程非常费时，而结合图神经网络的方法计算资源消耗巨大，并且随着时间序列长度增加，上述方法耗时成指数增加且分类效果逐渐变差甚至于没有效果。因此在现有研究的基础上结合图神经网络设计更适合于长时间序列分类任务的模型是非常有意义的。
申请号为CN201610889168.1的专利所公开的技术方案，基于复杂网络的脑电信号分析方法及应用。该方法对脑电信号序列数据集进行分类，在对原始脑电信号进行归一化和滤波等预处理操作后,对每一个多尺度脑电信号，构建水平有限穿越可视图复杂网络，然后计算并提取出每一个网络图的特征指标，最后结合机器学习中的支持向量机分类器实现对脑电信号序列的分类。类似的可视图建网算法在处理长时间序列分类任务时，计算费时较久、计算消耗较大，而且传统的机器学习方法对网络图特征的提取能力也相当有限，长时间序列分类效果不佳。
发明内容
针对以上技术问题，本发明提供一种基于图神经网络的长时间序列分类方法。
为实现上述目的，本发明采用如下的技术方案：
一种基于图神经网络的长时间序列分类方法，包括：
步骤S1：采集样本数据集，设定分段数并将时间序列数据分段；
步骤S2：设定时间序列中各分段对应网络图的初始邻接矩阵，且各条时间序列的各分段共享对应邻接矩阵，将每段时间序列数据分别转换为对应的网络图数据；
步骤S3：采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，并同步更新各分段时间序列对应网络图的邻接矩阵，得到每段时间序列数据的局部特征向量；
步骤S4：采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到最终的各分段时间序列数据的特征向量；
步骤S5：融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；
步骤S6：调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤S2-步骤S5步骤至分类效果最佳。
作为优选，步骤S1具体包括：
步骤S1.1：建立样本数据集，所述样本数据集包括，各个时间点及各个时间点对应的单个或多个采样值；
步骤S1.2：设定分段数n，将长为L的时间序列数据等间隔切分，每段长度向下取整，定为l＝[L/n]。
作为优选，步骤S2中，预设视野窗w参数，初始化设定时间序列中各分段对应网络图的邻接矩阵，且各条时间序列的各分段共享对应邻接矩阵，将每段时间序列数据分别转换为对应的网络图数据，将单条时间序列数据转换得到的网络图数据的集合记为
Figure BDA0003664104290000051
其中，时间序列的时间点映射成网络图的节点，每个时间点的单个或F个采样值作为其对应节点的特征，G为网络图，X∈Rl×F表示为网络的节点特征，A∈Rl×l表示为网络图的邻接矩阵。
作为优选，步骤S3具体包括：
步骤S3.1：每段时间序列对应的网络图依次通过相同层数的图神经网络，更新节点特征作为每段时间序列的局部特征提取，其中，第i段时间序列对应网络图的第m层的节点特征为
Figure BDA0003664104290000052
各分段对应网络图经过m层GNN更新后网络图集合为
Figure BDA0003664104290000061
其中网络节点特征X(m)∈Rl×h，且其维度h可自行调节指定；
步骤S3.2：采用全局累加池化，将网络节点特征X(m)累加池化为
Figure BDA0003664104290000062
作为各分段的局部特征向量，其集合记为
Figure BDA0003664104290000063
作为优选，步骤S4具体包括：
步骤S4.1：将上述各分段时间序列的局部特征向量以垂直形式进行拼接，得到局部特征矩阵
Figure BDA0003664104290000064
其中
Figure BDA0003664104290000065
表示垂直拼接；
步骤S4.2：采用循环神经网络对局部特征矩阵Φ∈Rn×h进行全局特征提取，Φ经过多层RNN后得到最终的特征矩阵Φ'∈Rn×h，其中Φ'＝RNN(Φ)。
作为优选，步骤S5中，将代表每个信号的特征向量Φ'展平后，通过多层全连接层后实现分类。
作为优选，所述步骤S2中，初始化各分段对应网络图邻接矩阵及网络图构建的过程如下，设Y＝{yi}i＝1,2,...,l为一分段长度为l的时间序列，w为可视窗大小，每个时间点有F个观测值，即yi∈RF。先将该分段时间序列中的每个时间点对应到网络中的每个节点，根据可视窗w大小，将每个节点与其相邻w个节点建立连边，每条连边初始化权重为1，即
Figure BDA0003664104290000071
并将A设置为可学习参数，在模型训练过程中不断迭代更新。
本发明的有益效果如下：
在处理长时间序列相关任务时，现有的网络图映射方法计算资源消耗较大、运算时间较久且分类效果不佳，本发明旨在提供一种基于图神经网络的长时间序列分类方法，该方法能有效提取局部特征及全局特征的同时，以较其他网络图映射方法更小的数据规模以及更低的模型参数量，在长时间序列分类任务上表现更为出色。
1、通过分段机制减小时间序列图映射网络图的规模，且各个时间序列共享邻接矩阵，在数据规模上进行了压缩；采用共享神经网络的策略，在模型参数量上进行了压缩。
2、采用图神经网络提取每个分段时间序列的局部特征，并在模型训练过程中同步训练各分段时间序列对应网络图的邻接矩阵，使图映射更加合理。
3、采用循环神经网络提取各个分段时间序列之间的时序特征，使最终获得的特征向量兼顾局部特征及全局特征，以取得更加出色的长时间序列分类效果。
4、该方法仅需调整预设分段数及邻接矩阵初始化设定，上述分段时间序列对应的邻接矩阵、图神经网络及循环神经网络均可同步训练，大大降低了操作复杂度，加快了优化效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明所述的时间序列分段及网络构建方法的示意图；
图3为本发明所述的基于图神经网络的分段时间序列对应网络图局部特征提取方法的示意图；
图4为本发明所述的基于循环神经网络的时间序列全局特征提取方法的示意图；
图5为本发明所述的特征融合及分类的示意图。
具体实施方式
下面结合附图并基于调制信号数据集RML2018.01A以无线电调制识别任务为例对本发明进行详述，在附图或说明中，相似或相同的部分使用相同的标号，并且在实际应用中，各部件的形状、厚度或高度可扩大或缩小。本发明所列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
如图1所示，提供一种应用本发明方法的无线电调制识别方法，包括以下步骤：
步骤S1：时间序列数据分段，包含建立样本数据集及数据分段两步骤；
步骤S1.1：建立样本数据集，所述样本数据集包括，各个时间点及各个时间点对应的单个或多个采样值，在RML2018.01A中，单个调制信号由实部I及虚部Q组成，即单个时间点有两个采样值，信号长度为1024；
步骤S1.2：如图2所示，针对数据集RML2018.01A，设定分段数n＝16，将长为L＝1024的时间序列数据等间隔切分，每段长度向下取整，定为l＝[L/n]＝64。
步骤S2：各分段分别构建网络图，如图2所示，针对数据集RML2018.01A，预设视野窗w参数为4，将每段时间序列数据分别转换为对应的网络图数据，将单条时间序列数据转换得到的网络图数据的集合记为
Figure BDA0003664104290000091
其中，时间序列的时间点映射成网络图的节点，每个时间点的IQ采样值作为其对应节点的特征，G为网络图，X∈R64×2表示为网络的节点特征，A∈R64×64表示为网络图的邻接矩阵。
步骤S3：图神经网络段内特征提取，如图3所示，包含共享GNN卷积以及全局累加池化两步骤；
步骤S3.1：每段时间序列对应的网络图依次通过相同层数的图神经网络，更新节点特征作为每段时间序列的局部特征提取，针对数据集RML2018.01A，预设GNN层数m为4，隐藏层维度h为64，其中，第i段时间序列对应网络图的第4层的节点特征为
Figure BDA0003664104290000101
各分段对应网络图经过4层GNN更新后网络图集合为
Figure BDA0003664104290000102
其中网络节点特征X(4)∈R64 ×64；
步骤S3.2：采用全局累加池化，将网络节点特征X(4)累加池化为
Figure BDA0003664104290000103
作为各分段的局部特征向量，其集合记为
Figure BDA0003664104290000104
步骤S4：循环神经网络段间特征提取，如图4所示，包含局部特征垂直拼接及循环神经网络特征提取两步骤；
步骤S4.1：将上述各分段时间序列的局部特征向量以垂直形式进行拼接，得到局部特征矩阵
Figure BDA0003664104290000105
其中
Figure BDA0003664104290000106
表示垂直拼接；
步骤S4.2：采用循环神经网络对局部特征矩阵Φ∈R16×64进行全局特征提取，针对数据集RML2018.01A，Φ经过两层RNN后得到最终的特征矩阵Φ'∈R16×64，其中Φ'＝RNN(Φ)。
步骤S5：特征融合后全连接层分类，如图5所示，针对数据集RML2018.01A，根据上述预设参数，将代表每个信号的特征向量Φ'展平后得到对应维度为1024的特征向量，通过多层全连接层后实现分类。
步骤S6：根据分类结果调整调整分段数n及视野窗w大小，重复S2～S5步骤至分类效果最佳。
步骤S7：将上述训练好的模型，在无线电调制信号数据集RML2018.01A上进行调制识别测试，获取各条信号通过模型后Softmax函数层输出的概率最大值的索引，该索引即为当前信号的唯一的数字标签，其中0-23依次代表OOK、4ASK、8ASK、BPSK、QPSK、8PSK、16PSK、32PSK、16APSK、32APSK、64APSK、128APSK、16QAM、32QAM、64QAM,128QAM、256QAM、AM-SSB-WC、AM-SSB-SC、AM-DSB-WC、AM-DSB-SC、FM、GMSK和OQPSK。
所述步骤S2中，初始化各分段对应网络图邻接矩阵及网络图构建的过程如下，针对数据集RML2018.01A，设Y＝{yi}i＝1,2,...,64为该数据集中任一分段长度为64的时间序列，w为可视窗大小，初始设为4，每个时间点有IQ两个观测值，即yi∈R2。先将该分段时间序列中的每个时间点对应到网络中的每个节点，根据可视窗w大小，将每个节点与其相邻4个节点建立连边，每条连边初始化权重为1，即
Figure BDA0003664104290000111
并将A设置为可学习参数，在模型训练过程中不断迭代更新。
所述步骤S3中，本发明方法采用的GNN模型是GraphSAGE，本发明方法叠加三层GraphSAGE且层间增加批归一化(BN)层作为各分段网络图节点特征提取模型，针对数据集RML2018.01A，各层输出特征维度均设置为64，而后将得到的分段网络图节点特征通过全局累加池化得到代表该各分段的局部特征向量
Figure BDA0003664104290000112
其中R64表示64维的向量。
所述步骤S4中，本发明方法采用的RNN模型是LSTM，本发明方法叠加两层LSTM，，针对数据集RML2018.01A，中间隐藏层的特征维度设置为128，输出层的特征维度设置为64，输出得到最终的特征矩阵Φ'∈R16×64。
所述步骤S5中，本发明方法采用展平的操作作为特征融合的方式，将各分段特征向量进行横向拼接，得到每个信号的融合特征向量。而后，采用带有正则化dropout的单层全连接层和Softmax函数作为整个模型的分类器，输出样本在各类上的概率分布。
本发明具有如下的技术效果：
相较现有的基于可视图的传统图映射方法以及基于深度学习的自动可视图方法，本发明公开的方法在表现出更高的长信号分类精度，并且本发明方法计算资源消耗以及模型参数量远远小于上述方法。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于图神经网络的长时间序列分类方法，其特征在于，包括：
步骤S1：采集样本数据集，设定分段数并将时间序列数据分段；
步骤S2：设定时间序列中各分段对应网络图的初始邻接矩阵，且各条时间序列的相同分段共享对应邻接矩阵，将每段时间序列数据分别转换为对应的网络图数据；
步骤S3：采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，并同步更新各分段时间序列对应网络图的邻接矩阵，得到每段时间序列数据的局部特征向量；
步骤S4：采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到最终的各分段时间序列数据的特征向量；
步骤S5：融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；
步骤S6：调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤S2-步骤S5步骤至分类效果最佳。
2.如权利要求1所述的基于图神经网络的长时间序列分类方法，其特征在于，步骤S1具体包括：
步骤S1.1：建立样本数据集，所述样本数据集包括，各个时间点及各个时间点对应的单个或多个采样值；
步骤S1.2：设定分段数n，将长为L的时间序列数据等间隔切分，每段长度向下取整，定为l＝[L/n]。
3.如权利要求2所述的基于图神经网络的长时间序列分类方法，其特征在于，步骤S2中，预设视野窗w参数，初始化设定时间序列中各分段对应网络图的邻接矩阵，且各条时间序列的各分段共享对应邻接矩阵，将每段时间序列数据分别转换为对应的网络图数据，将单条时间序列数据转换得到的网络图数据的集合记为
Figure FDA0003664104280000021
其中，时间序列的时间点映射成网络图的节点，每个时间点的单个或F个采样值作为其对应节点的特征，G为网络图，X∈Rl×F表示为网络的节点特征，A∈Rl×l表示为网络图的邻接矩阵。
4.如权利要求3所述的基于图神经网络的长时间序列分类方法，其特征在于，步骤3具体包括：
步骤S3.1：每段时间序列对应的网络图依次通过相同层数的图神经网络，更新节点特征作为每段时间序列的局部特征提取，其中，第i段时间序列对应网络图的第m层的节点特征为
Figure FDA0003664104280000022
各分段对应网络图经过m层GNN更新后网络图集合为
Figure FDA0003664104280000023
其中网络节点特征X(m)∈Rl×h，且其维度h可自行调节指定；
步骤S3.2：采用全局累加池化，将网络节点特征X(m)累加池化为
Figure FDA0003664104280000024
作为各分段的局部特征向量，其集合记为
Figure FDA0003664104280000025
5.如权利要求4所述的基于图神经网络的长时间序列分类方法，其特征在于，步骤4具体包括：
步骤S4.1：将上述各分段时间序列的局部特征向量以垂直形式进行拼接，得到局部特征矩阵
Figure FDA0003664104280000026
其中
Figure FDA0003664104280000031
表示垂直拼接；
步骤S4.2：采用循环神经网络对局部特征矩阵Φ∈Rn×h进行全局特征提取，Φ经过多层RNN后得到最终的特征矩阵Φ'∈Rn×h，其中Φ'＝RNN(Φ)。
6.如权利要求3所述的基于图神经网络的长时间序列分类方法，其特征在于，所述步骤S2中，初始化各分段对应网络图邻接矩阵及网络图构建的过程如下，设Y＝{yi}i＝1,2,...,l为一分段长度为l的时间序列，w为可视窗大小，每个时间点有F个观测值，即yi∈RF。先将该分段时间序列中的每个时间点对应到网络中的每个节点，根据可视窗w大小，将每个节点与其相邻w个节点建立连边，每条连边初始化权重为1，即
Figure FDA0003664104280000032
并将A设置为可学习参数，在模型训练过程中不断迭代更新。
CN202210588513.3A 2022-05-26 2022-05-26 一种基于图神经网络的长时间序列分类方法 Pending CN114897090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210588513.3A CN114897090A (zh) 2022-05-26 2022-05-26 一种基于图神经网络的长时间序列分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210588513.3A CN114897090A (zh) 2022-05-26 2022-05-26 一种基于图神经网络的长时间序列分类方法

Publications (1)

Publication Number Publication Date
CN114897090A true CN114897090A (zh) 2022-08-12

Family

ID=82725088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210588513.3A Pending CN114897090A (zh) 2022-05-26 2022-05-26 一种基于图神经网络的长时间序列分类方法

Country Status (1)

Country Link
CN (1) CN114897090A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076994A (zh) * 2023-10-18 2023-11-17 清华大学深圳国际研究生院 一种多通道生理时间序列分类方法
CN117290762A (zh) * 2023-10-11 2023-12-26 北京邮电大学 害虫落入识别方法、类型识别方法、装置、捕虫器及系统
CN117807529A (zh) * 2024-02-29 2024-04-02 南京工业大学 一种信号发生器输出信号的调制方式识别方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290762A (zh) * 2023-10-11 2023-12-26 北京邮电大学 害虫落入识别方法、类型识别方法、装置、捕虫器及系统
CN117290762B (zh) * 2023-10-11 2024-04-02 北京邮电大学 害虫落入识别方法、类型识别方法、装置、捕虫器及系统
CN117076994A (zh) * 2023-10-18 2023-11-17 清华大学深圳国际研究生院 一种多通道生理时间序列分类方法
CN117076994B (zh) * 2023-10-18 2024-01-26 清华大学深圳国际研究生院 一种多通道生理时间序列分类方法
CN117807529A (zh) * 2024-02-29 2024-04-02 南京工业大学 一种信号发生器输出信号的调制方式识别方法及系统
CN117807529B (zh) * 2024-02-29 2024-05-07 南京工业大学 一种信号发生器输出信号的调制方式识别方法及系统

Similar Documents

Publication Publication Date Title
CN114897090A (zh) 一种基于图神经网络的长时间序列分类方法
CN113392731B (zh) 一种基于图神经网络的调制信号分类方法和系统
CN110929848B (zh) 基于多挑战感知学习模型的训练、跟踪方法
CN113239938B (zh) 一种基于图结构的高光谱分类方法及系统
CN112990316B (zh) 基于多显著性特征融合的高光谱遥感图像分类方法及系统
CN116310447B (zh) 基于计算机视觉的遥感图像变化智能检测方法及系统
CN113408087A (zh) 一种基于云边系统和视频智能分析的变电站巡视方法
CN114882335B (zh) 基于联邦学习框架面向感算云一体化的智能图像传感装置
CN116310459A (zh) 基于多视图空谱联合的高光谱图像子空间聚类方法
CN116205874A (zh) 一种绝缘子缺陷检测方法、装置、设备及存储介质
CN114519390A (zh) 一种基于多模态深度学习的quic流量分类方法
CN112380931A (zh) 一种基于子图网络的调制信号分类方法及系统
CN116992350A (zh) 一种基于大数据的产业供应链优化方法及系统
CN112116569A (zh) 基于阴影识别的光伏电站发电功率预测方法
CN115086123B (zh) 基于时频图和星座图融合的调制识别方法及系统
CN116758349A (zh) 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法
Jung et al. The network nullspace property for compressed sensing over networks
Soumya et al. Self-organized night video enhancement for surveillance systems
CN114020934A (zh) 基于知识图谱的空间语义信息的整合方法及系统
CN112269778B (zh) 一种设备故障诊断方法
Mercovich et al. Utilizing the graph modularity to blind cluster multispectral satellite imagery
CN112367325A (zh) 基于闭合频繁项挖掘的未知协议报文聚类方法和系统
Tiator et al. Using semantic segmentation to assist the creation of interactive VR applications
CN117421671B (zh) 面向引文网络的频率自适应静态异质图节点分类方法
CN116310391B (zh) 一种用于茶叶病害的识别方法

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