[发明专利]一种基于卷积神经网络的多元时序数据的分类方法

权利要求书

1.一种基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述方法包括有以下步骤：

S1：获取多元时间序列数据；

S2：对获取的多元时间序列数据进行去燥预处理；

S3：采用卷积神经网络对预处理得到的多元时间序列数据降维；

S4：对降维得到的数据采用分段聚合算法进行分段，计算聚合后的序列数据的欧式距离，根据欧式距离定义阈值进行区分并形成分类结果。

2.如权利要求1所述的基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述步骤S2中的去燥预处理包括有：

S21：对原始多元时间序列数据进行偏差检测，发现噪声、离群点和异常值，考察每个属性的定义域和数据类型以及每个属性可接受值的范围；

S22：通过考察数据领域内的值，通过分箱方法中的按照箱平均值法求得平滑数据值来光滑有序数据，将连续数据离散化，获取预处理后的时序数据，增加粒度。

3.如权利要求1所述的基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述步骤S3中降维的具体步骤如下：

S31：将经过步骤S2预处理后得到的多元时序数据输入卷积神经网络，计算相对应的实际输出，输入值与各层带权值矩阵相乘，得到输出结果；

S32：将所述输出结果与基于专家知识的理想输出值比较作差；采用极小误差原则在反向传播阶段更新原相乘矩阵的权值，直至满足条件。

4.如权利要求1所述的基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述步骤S4包括有：

S41：对于步骤S3所得的经过卷积神经网络降维处理后的一元时序数据，采用分段聚合算法将降维所得一元时序数据等长分段，获得各分段计算得到的平均值，将平均值组合得到的值作为降维后的新数据序列。

5.如权利要求4所述的基于卷积神经网络的多元时序数据的分类方法，其特征在于，所述步骤S4还包括有：

S42：应用欧氏距离计算两时序数据的距离其中Q,C为两时间序列，q_i和c_i分别为两时间序列第i个点对应的数据；然后将计算得到的距离值与根据专家经验定义的分类阈值比较，形成分类结果。