一种基于语义选择的多变量时间序列分类方法与流程

技术特征：

1.一种基于语义选择的多变量时间序列分类方法，其特征在于，所述的多变量时间序列分类方法包括下列步骤：

S1、收集时间序列数据集；

S2、对数据进行预处理操作，然后按照数据集定义的验证方法划分训练集，验证集和测试集；

S3、将一个样本的数据组织成矩阵形式，用稀疏的卷积核来提取语义特征；

S4、对卷积后的特征图谱在时间维度上进行局部最大池化，获取时间段特征；

S5、将步骤S4产生的特征按照时间段顺序输入LSTMs，每一时刻的隐含层状态输入维度等于滤波器个数的Softmax层，并产生下一时刻选择语义概念的注意力权重；

S6、取LSTMs最后时刻的隐含层状态输入维度等于类别个数的Softmax层进行概率归一化；

S7、修改交叉熵损失函数，加入卷积核稀疏项约束，最小化损失函数更新参数并自动学习语义概念；

S8、使用步骤S2中划分的验证集测试训练后的模型，选取在验证集上表现最好的超参数对步骤S2中划分的测试集进行测试，获得最终准确率。

2.根据权利要求1所述的一种基于语义选择的多变量时间序列分类方法，其特征在于，所述的步骤S2中对数据进行预处理操作包括去中心化、平滑滤波、归一化。

3.根据权利要求1所述的一种基于语义选择的多变量时间序列分类方法，其特征在于，所述的步骤S3过程如下：

将每个样本序列组织成矩阵形式，时间序列的属性全集表示为A＝{αi},i＝1,2,…,|A|，所有属性在样本每一时刻的值构成矩阵X,X∈R^T×|A|，其中T是帧的数量，|A|是属性的数量,其矩阵形式如下所示：

以稀疏的卷积核来提取时间序列的属性组合特征，每一种组合特征被称为该时间序列的一种语义，卷积核权重矩阵Wk∈R^t×|A|是宽为t的第k个卷积核的参数，当滑动步长为1时，矩阵X将被分成T-t+1个时间窗口：Z1:t,Z2:t+1,···,ZT-t+1:T，因此使用滤波器Wk作用于全部时间窗口的结果为：ck＝(c1,k,c2,k,...,cT-t+1,k)^T∈R^T-t+1，其中cm,k,m＝1,2,...,T-t+1为将第k个稀疏卷积核作用于第m个滑动窗口的结果，由于CNNs权重共享的特性，卷积核k在所有时间窗口上提取到相同的语义概念，定义cm,k＝f(Wk*Zm:m+t-1+bk)，其中f是激活函数，*代表点乘算子，bk代表第k个核的偏置；

通过多个稀疏卷积核获得多种语义概念，同时对相邻行的卷积获得时间序列的短时依赖性。

4.根据权利要求1所述的一种基于语义选择的多变量时间序列分类方法，其特征在于，所述的步骤S4过程如下：

进行局部最大池化，以p代表池化窗口的大小，s代表时间维度上的步长，cm,k代表第m行，第k列的激活值，将步骤S3得到的特征图谱作为池化层的输入，yj,k代表第k个滤波器的第j个池化窗口的输出，局部最大池化层按照下式计算：

式中c^*＝(1+(j-1)*s,2+(j-1)*s,···,p+(j-1)*s)^T，池化后得到矩阵O∈R^L×K，K是滤波器数量，ceil(·)是向上取整函数。

5.根据权利要求1所述的一种基于语义选择的多变量时间序列分类方法，其特征在于，所述的步骤S5过程如下：

将每个时间步的隐含层状态输入维度等于滤波器个数的Softmax层，在每个时间步t，模型产生预测向量lt+1∈R^K用于选取重要的语义概念，其中，预测向量为注意力权重，向量lt中的每个元素反映对应语义概念的重要程度，获得t时刻的注意力权重后，则下一时刻的输入可以被改写为：其中代表池化后的矩阵O的第t行，经过LSTMs递归迭代和注意力机制选取语义概念后，得到样本n的最终特征向量

6.根据权利要求1所述的一种基于语义选择的多变量时间序列分类方法，其特征在于，所述的步骤S7过程如下：

加入卷积核稀疏项约束项，因此修改交叉熵损失函数如下：

上式中第一项是最大似然损失函数，u代表训练数据，Cs是数据集中的第s个类，N代表训练集样本数量，δ(·)是Kronecker delta函数，r是样本un的真实标签，概率p(Cs|un)由步骤S6中产生的经过维度为C的Softmax层归一化后产生；上式中第二项是矩阵W^T的范式，用反向传播算法和ADAM梯度优化算法最小化损失函数，更新参数直到收敛。