[发明专利]一种基于相空间的传感器数据高精度分类方法

说明书

本发明公开了一种基于相空间的传感器数据高精度分类方法，其包括步骤1)通过时间延迟嵌入法将传感器采集的单变量时间序列X嵌入到m维相空间中；2)通过最大化Θ(τ,m)的分辨率来确定τ和m的最佳值；3)将Θ(τ,m)中的所有元素线性映射到一个整数区间[0，255]以获得最大轨迹矩阵图像Θ_max；4)通过分类器对从时间序列转换所得的最大轨迹矩阵图像Θ_max进行分类。本发明直接将轨迹矩阵作为图像，而不是将时间序列映射到RPS图像，因此不需要相空间投影，避免了投影造成的信息损失；其通过最大化轨迹矩阵图像Θ(τ,m)的分辨率来确定重建参数，这种优化方法非常简单，并且其能帮助让分类器的分类性能达到最佳。

技术领域

本发明传感器数据处理技术领域，特别涉及一种传感器数据的分类方法。

背景技术

随着传感器设备在我们日常生活越来越普遍，各种类型的传感器数据可在众多应用中有效利用。因此，传感器数据分类已经成为这些应用中的基本要求。大多数传感器数据是时间序列数据，指在连续时间段内获得的数据序列，因此这些传感器时序数据的分类问题实际上就是时间序列分类(time series classification,TSC)问题。随着传感器时间序列数据的快速增长，时间序列分类已成为许多实际应用中的一项基本任务。

几年来，已经出现了大量传感器数据的TSC方法，这些方法可分为两类：传统方法和深度学习方法。在传统方法中，SFA符号包(Bag Of SFASymbols，BOSS)和变换集合(Collective Of Transformation Ensemble，COTE)被认为在常用数据集上比其他方法具有更好的性能。然而，由于这两种方法的时间复杂度非常高，因此在某些情况下为TSC任务运行它们是不切实际的。此外，这些传统的方法很难再提高分类精度。且这些传统方法还有一个共同的缺点：它们需要大量的数据预处理和特征工程。

为了克服上述缺点，很多研究已经提出了深度学习(Deep Learning，DL)方法用于解决TSC问题。我们将这些DL方法分为两大类：具有端到端学习的方法和具有手动特征工程的方法。具有端到端学习的模型直接学习时间序列原始输入和预测标签输出之间的映射关系。人们相信，这种类型的模型可以避免由于手动提取特征而产生的偏差，并且没有领域知识被纳入模型。先前的研究表明，在大多数时间序列数据集上，ResNet和FCN可以在所有端到端模型中实现优异的性能，并达到与BOSS和COTE相当的精度。然而，端到端模型的精度仍然有限，学习时间序列中复杂的时空特征仍然是此类模型的一个挑战。具有手动特征工程的模型可能提供另一条提高TSC准确性的线索。此类模型最常用的手动特征工程方法是将时间序列转换为图像(即时间序列成像)。Gramian角场(GAF)马尔可夫转移场(MTF)、相对位置矩阵(RPM)、递归图(RP)和基于相空间的方法是几种常用的时间序列成像方法。如果时间序列被编码为图像，我们就可以使用计算机视觉中用于TSC的DL方法的最先进的分类技术(State-Of-The-Art,SOTA)。深卷积神经网络(Deep Convolutional Neural Network，DCNN)作为最成功的DL模型之一已被应用于解决复杂的图像分类问题。

在上述方法中，基于相空间的方法近年来获得了大量关注，因为此类方法允许对信号特征进行更详细的非线性表征。由于许多传感器数据是非线性时间序列数据，具有线性模型无法很好建模的特征，因此这些数据需要非线性过程转换。基于相空间的方法正好满足这一要求。使用这种方法，传感器获取的信号可以嵌入到高维相空间中，构成相点轨迹(即相空间重构，Phase-Space Reconstruction,PSR)，然后将该轨迹投影到二维平面上，生成二维图像。这些图像称为重建相空间(RPS)图像。该方法的关键是如何确定重建参数：时延和嵌入维数，它们对投影轨迹的形状有着决定性的影响。目前，一些研究将时间序列直接嵌入2D相空间(实际上是2D平面)，以简化复杂的相空间轨迹投影。然而，这种嵌入模式使得嵌入维度太低，无法避免大量虚假邻居。这可能导致RPS图像中原始数据信息丢失，降低分类性能。因此，如何确定相空间重构参数仍然是一个挑战。

发明内容