[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

说明书

本发明公开了一种基于卷积神经网络的多元时序数据的分类方法，它包括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噪预处理；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。本发明取得的有益效果是：既能较好保留原多元时序数据的基本结构特征，又能采用分段聚合方法对其进行分类分析；采用卷积神经网络对原多元时序数据降维表示；然后采用分段聚合的方法对降维表示后的结果进行特征提取，最后将该特征提取的结果采用欧氏距离形成分类方法。

技术领域

本发明涉及多元时间序列数据的挖掘技术领域，特别是一种基于卷积神经网络的多元时序数据的分类方法。

背景技术

多元时序数据广泛存在于社会工业生产过程中，特别对于复杂工业生产过程产生的数据，由于其维度高，数据量大且常含有噪声，使得普通数据挖掘算法对其分析代价巨大，因此对多元时序数据的降维分析是近年研究的热点。

多元时序数据的分类研究有助于对复杂系统的建模与分析，而在实际工程应用中，由于多元变量之间的关联关系与相互作用，以及数据量巨大，因此对多元时序数据的分类分析主要是以提取原数据特征为主，达到降维和简化计算的目的。传统的多元时序数据降维方法大多基于统计学分析方法，例如主成份分析方法、奇异值分解等算法。这些方法的一个重要缺点是忽略了数据本身的结构信息。在降维的过程中必然会丢失许多重要信息，使得后续数据挖掘与分析的结果不能很好的反映原数据的特征。

缺点：当前的多元时序数据降维分类方法大多基于统计学的主成份分析方法或其改进方法，难以较好的反映多元时序数据的内在结构特征，因而对其分类结果产生影响。

因此亟需一种新的多元时序数据的降维分类方法。

发明内容

有鉴于现有技术的上述缺陷，本发明的目的就是提供一种基于卷积神经网络的多元时序数据的分类方法，既能较好保留原多元数序数据的基本结构特征，又能采用分段聚合方法对其分类分析的方法。该方法采用卷积神经网络对原多元时序数据降维表示；然后采用分段聚合的方法对降维表示后的结果进行特征提取，最后将该特征提取的结果采用欧氏距离形成分类方法。

本发明的目的是通过这样的技术方案实现的，一种基于卷积神经网络的多元时序数据的分类方法，它包括有：

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。

进一步，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。

进一步，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。

进一步，所述步骤S4包括有：