[发明专利]基于统计的局部特征计算方法、电子设备、存储介质

说明书

本发明提供基于统计的局部特征计算方法，包括步骤：依次以原始数据中的元素为中心，左右连续各取若干数据，生成每个元素对应的统计变换向量，通过每个元素对应的统计变换向量生成统计变换矩阵；通过统计方法依次对统计变换矩阵中的统计变换向量进行统计显化，得到总体统计显化结果；通过决策方法依次计算总体统计显化结果中的每一统计显化结果的局部特征，得到总体局部特征。本发明涉及电子设备与可读存储介质，用于执行基于统计的局部特征计算方法；本发明能够最大限度的保存原序列中的有效信息，同时过滤掉异常值或无用信息，留下每一个元素在局部序列中的统计特征，为后续的机器学习分析提供更加准确可靠的输入数据。

技术领域

本发明涉及计算机科学技术领域，尤其涉及基于统计的局部特征计算方法、电子设备、存储介质。

背景技术

在传统的低频信息特征变换过程，原始数据包括低频信息、中频信息、高频信息，在某些应用场景中，高频信息属于无用信息，是干扰项，而中频和低频信息属于有用信息。传统的方法可以通过统计中值的方法对原始数据进行压缩，压缩后的数据序列相对于原始数据，虽然过滤了高频干扰信息，但也丢失了中频信息。然而丢失的中频信息很可能是某个场景下的关键信息。上述直接对原始数据进行压缩处理的方式，很可能会丢失某些关键信息。因此，亟需一种对原始数据进行有用信息的过滤，为后续的机器学习提供更加能代表序列特性的输入数据。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供基于统计的局部特征计算方法，解决了现有技术中直接对原始数据进行压缩处理的方式，很可能会丢失某些关键信息的问题。

本发明提供基于统计的局部特征计算方法，包括以下步骤：

统计变换，依次以原始数据中的元素为中心，左右连续各取若干数据，生成每个元素对应的统计变换向量，通过每个元素对应的统计变换向量生成统计变换矩阵；

统计显化，通过统计方法依次对所述统计变换矩阵中的统计变换向量进行统计显化，得到总体统计显化结果；

统计重组，通过决策方法依次计算所述总体统计显化结果中的每一统计显化结果的局部特征，得到总体局部特征。

进一步地，所述统计变换中具体包括以下步骤：

将所述原始数据表示为原始数据向量，所述原始数据向量公式如下：

s＝[s₀,s₁,s₂,s₃,…s_n-1,s_n]

其中，S为原始数据向量，n为原始数据向量S中数据个数；

以原始数据向量中的第i个元素为中心，左右连续各取w个数据，生成第i个元素对应的统计变换向量，具体公式如下：

transform_i＝[s_i-w,…s_i-2,s_i-1,s_i,s_i+1,s_i+2,…,s_i+w]

通过每个元素对应的统计变换向量生成统计变换矩阵，具体公式如下：

其中，transform_i为第i个元素对应的统计变换向量，transform为统计变换矩阵。

进一步地，所述统计变换中，若原始数据向量中第i个元素任意一侧的数据总个数小于w，则选取与第i个元素最近的端点数据进行填充，生成第i个元素对应的统计变换向量。

进一步地，所述统计显化中具体包括以下步骤：