[发明专利]一种基于马氏距离DTW的多维时间序列分类方法

说明书

技术领域

本发明涉及基于马氏距离DTW的多维时间序列分类方法。

背景技术

通过对卫星遥测数据中的偏航姿态角进行分析，偏航姿态角的整体变化趋势如图1所示，其细节变化如图2所示，得出卫星遥测数据具有明显地周期性，且该特性已与卫星遥测数据提供单位进行了确认。通过对遥测数据的每个周期进行分析，可以得出卫星在该周期之内的运行状态是否正常，按照固定点对卫星遥测数据分段效果不理想的情况，如图3所示，分段后得到的各个时间序列之间的耦合度不够高，存在一定的偏差，且随着时间的推进这种偏差会愈发明显。

对卫星遥测数据进行分类是对卫星遥测数据进行数据挖掘的一项重要功能，在分类的基础之上可以完成多种数据挖掘任务，比如模式识别、异常检测等等。而卫星遥测数据有其自身特点，比如：参数多、维度高、存在漂移等，这些特点致使在针对卫星遥测数据的分类采用经典的时间序列相似性度量方法，如欧式距离、皮尔森相关系数等，体现出不适应性。经典的时间序列相似性度量方法，不能排除多维时间序列之间的相关性影响，同时，针对时间序列存在微小偏移不能实现异步度量使得度量结果不够准确，进而导致对卫星遥测数据的分类结果不够准确。

发明内容

本发明的目的是为了解决针对卫星遥测数据进行固定点分段效果不理想、由于多维时间序列之间存在相关性以及时间序列存在微小偏移而使度量结果不够准确进而导致分类结果不够准确的问题，而提出了一种基于马氏距离DTW的多维时间序列分类方法。

上述的发明目的是通过以下技术方案实现的：

步骤一：将卫星正常运行状态下的历史卫星遥测数据Y以幅角突变点为标识进行分段，得到正常多维时间序列X＝{x₁,x₂,...,x_j，...x_n}，其中，Y为n_d行n_a列的历史卫星遥测数据矩阵，n_d为多维时间序列的维度值，n_a为所有历史卫星遥测数据的数据点数，x_j为n_d行n_len列数据矩阵表示X的第j个序列，j＝1,2,…,n，n_len为时间序列长度，n为X中的成员数目；

步骤二、将分段后所得到的多维时间序列X＝{x₁,x₂,...,x_j，...x_n}，通过层次聚类方法设定聚类目标类别数目为c对序列进行聚类操作，从而获得多维时间序列的类别标签L＝{l₁,l₂,…,l_n}；其中，c为大于1小于n的正整数，l_s表示L序列的第s个元素，其取值由层次聚类结果确定，其中s＝1,2,…,n；

步骤三：提取最新卫星遥测数据中相邻m+1个幅角突变点对应时间点之内的测试数据即待分类多维时间序列为X′＝{x′₁,x′₂,...,x′_m}，其中，m为大于0的正整数；

步骤四、计算出待分类的多维时间序列X′＝{x′₁,x′₂,...,x′_m}与含有类别标签的多维时间序列X＝{x₁,x₂,...,x_j，...x_n}之间的DTW距离序列

其中，d_ij的计算方式如下：

d_ij＝DTW_ma(x'_i,x_j)

x'_i表示X′的第i个序列，i＝1,2,…,m；DTW_ma表示基于马氏距离的DTW距离算法；DTW，d_ij为x'_i与x_j之间的基于马氏距离的DTW距离；