1.一种基于去噪概率扩散模型的多模态时序数据增强方法，其特征在于：方法具体包括以下步骤：
2.如权利要求1所述的一种基于去噪概率扩散模型的多模态时序数据增强方法，其特征在于：其所述步骤1具体为：
3.如权利要求1所述的一种基于去噪概率扩散模型的多模态时序数据增强方法，其特征在于：其所述步骤2中，传统ddpm主要针对图片进行数据生成，使用二维u-net进行去噪生成，但工业时序数据大多都是一维的，不适合直接输入进行处理，所以构建1d u-net模型进行噪声拟合，采用一维卷积对时序数据进行处理，创建了gaussiandiffusion1d模型。
4.如权利要求1所述的一种基于去噪概率扩散模型的多模态时序数据增强方法，其特征在于：其所述步骤2具体为：
5.如权利要求4所述的一种基于去噪概率扩散模型的多模态时序数据增强方法，其特征在于：所述步骤2.2中，首先在时间序列的历史数据中采样t∈[1,t]的时间序列，并将其划分为若干长度为l的子序列其中，t表示时间索引，i表示子序列索引，将其重塑为一个三维张量其形状为(3,l,1)，即通道数为3、高度为l、宽度为1，故：
6.如权利要求4所述的一种基于去噪概率扩散模型的多模态时序数据增强方法，其特征在于：所述步骤2.2中，构建的1d u-net神经网络，该网络含有14个卷积层、3个池化层、3个上采样层以及3个跳跃连接操作，网络左半部分的卷积和池化过程是对输入信号的编码过程,在第2、4、6个卷积层后面使用池化层对卷积后的输出特征进行压缩，网络右半部分的上采样和卷积过程是对特征的解码过程,在第9、11、13个卷积层后面使用上采样层对含有具体细节的特征进行扩展,另外,将第2、4、6个卷积层的结果与第9、11、13个上采样层后的结果进行跳跃拼接作为第10、12、14个卷积层的输入,实现高层次的整体特征与低层次的局部特征之间的特征融合,以提高网络的分类准确率。
7.如权利要求4所述的一种基于去噪概率扩散模型的多模态时序数据增强方法，其特征在于：所述步骤2.3中，gaussiandiffusion1d模型训练过程见表1。