[发明专利]一种基于多元变量间的关系变化的时序分类的方法

权利要求书

1.一种基于多元变量间的关系变化的时序分类的方法，其特征在于，包括以下步骤：

S1：获取带标签的观察数据集；

所述步骤S1具体为：

利用工业系统或者信息系统的数据采集装置固定时间进行采样；每个采样时刻获得不同的指标值，同时将该时刻对应的系统状态用标签变量表示，系统运行一段时间后即可采集到观察数据集，其中：

将观察数据集表征为X＝[x₁,x₂,…,x_m]，其中m为样本数量；设t时刻的样本数据x_t∈Rⁿ，即含有个n变量，同时每个样本数据对应有一个标签变量y_t，其中y_t∈R；

S2：从观察数据集中获取样本数据，计算样本数据两两变量间的偏相关系数，构造偏相关系数矩阵，得到每个时刻的偏相关系数矩阵；

所述步骤S2具体为：

S21：从观察数据集中获取时间长为w的样本数据X_t＝[x_t-w+1,x_t-w+2,…,x_t]，其中X_t为X中的一个时间片段，用于计算偏相关系数矩阵P_t∈R^n×n，作为t时刻的变量间的关系矩阵；

S22：设该段时间内其中两个变量i和j的时间序列分别为那么偏相关系数矩阵中的一个系数计算方式如下：

其中，为协方差矩阵∑_t的逆矩阵的元素，而协方差矩阵∑_t中的元素计算方式如下：

其中，和分别表示这两个变量在这段时间的均值；

S23：根据步骤S22的计算方式，得到每个时刻的偏相关系数矩阵P_t，用于表示每个时刻不同变量间的关系；

S3：将每个时刻的偏相关系数矩阵作为输入卷积神经网络，由卷积神经网络对偏相关系数矩阵进行编码后得到对应的特征图；

所述步骤S3具体为：将一段时间长为l的偏相关系数矩阵P_t-l+1,P_t-l+2,…P_t输入卷积神经网络，由卷积神经网络对偏相关系数矩阵进行编码后得到对应的l个特征图以及对应的每个时刻的标签y_t；

S4：将每个特征图分别拉伸成特征向量循环输入长短记忆神经网络，从而得到用于捕获变量关系间变化模式的隐藏状态；在所述步骤S4中，隐藏状态h_t用于捕获l个变量关系间变化模式；

S5：将隐藏状态输入标签分类器，输出对应的样本类别，完成时序的分类。

2.根据权利要求1所述的一种基于多元变量间的关系变化的时序分类的方法，其特征在于，在所述步骤S5中，所述的标签分类器采用全连接层，输出得到样本类别

3.根据权利要求1～2任一项所述的一种基于多元变量间的关系变化的时序分类的方法，其特征在于，还包括步骤S6：采用输出的样本类别的交叉熵作为损失函数，使用梯度下降法重复进行步骤S3-步骤S5，以提高分类精度。