[发明专利]一种时序数据分类识别装置

说明书

本发明提供一种时序数据分类识别装置，包括依次联结的输入模块、多头特征提取模块、联结模块、分类模块及输出模块；所述输入模块用于接收时序数据并将时序数据传输到多头特征提取模块所述多头特征提取模块用于对时序数据进行特征提取，并得到多个特征；所述联结模块用于将多头特征提取模块得到的多个特征进行合并处理；所述分类模块用于接收合并后的特征并输出预测标签。本发明的装置充分利用了其头部的多样性来提取不同的特征，并且在没有重构模块的情况下达到了最佳的精度，在保证其高性能的同时大大降低了方法的复杂度。

技术领域

本发明涉及数据分类技术领域，特别涉及一种时序数据分类识别装置。

背景技术

时间序列分类(TSC)是利用机器学习方法对时间序列数据进行分类的问题。时间序列数据是测量某些过程的按时间顺序排列的值的序列。近年来，与网络安全网络优化和卫生保健，能源效率管理和人类活动识别等现实世界应用相关的时间序列数据不仅在数量上，而且在速度和种类上都出现了爆炸式增长。随着时间序列数据的显著增加，TSC已经成为数据科学中最重要和最具挑战性的问题之一。TSC与传统的分类问题有很大的不同，因为数据值是有序的。事实上，任何一个分类问题，如果考虑到其数据内部的某种排序概念，都可以看作是一个TSC问题。研究者们提出了大量的方法来解决这个问题，这些方法一般可以分为两大类：传统方法和基于深度学习的方法。

最流行的传统TSC方法之一是使用最近邻(NN)分类器结合动态时间规整(DTW)距离函数。除了使用传统方法之外，对于TSC扩展深度学习方法的兴趣也越来越大。特别是，研究人员借鉴了图像识别挑战及其解决方案的思想来解决TSC问题。例如，基于卷积神经网络(CNNs)的多变量时间序列分类深度学习框架。尽管基于CNN的分类方法获得了最先进的分类性能，但它们主要有两个共同的缺点：它们忽略了输入数据中的空间关系，并且需要大量的数据样本才能获得良好的分类性能，因此现有的分类方法需要进行大量的分类计算过程，导致效率低下。

发明内容

针对现有技术存在的问题，本发明提供一种三头结构的时序数据分类识别装置，主要利用多头卷积运算来提取足够的特征，并引入挤压机制和路由机制来进行表示学习，有效提高了分类精度，大大降低了计算过程的复杂程度。

为实现上述目的，本发明提供了如下方案：本发明提供一种时序数据分类识别装置，其特征在于，包括依次联结的输入模块、多头特征提取模块、联结模块、分类模块及输出模块；

所述输入模块用于接收时序数据并将时序数据传输到多头特征提取模块；

所述多头特征提取模块用于对时序数据进行特征提取，并得到多个特征；

所述联结模块用于将多头特征提取模块得到的多个特征进行合并处理；

所述分类模块用于接收合并后的特征并输出预测标签，得到分类结果。

优选地，所述多头特征提取模块包括第一特征提取结构、第二特征提取结构及第三特征提取结构；

所述第一特征提取结构和第三特征提取结构分别包括卷积模块、挤压模块及路由模块；

所述第二特征提取结构包括卷积模块和路由模块。

优选地，所述卷积模块采用CNN卷积神经网络构建；

所述卷积模块将时序数据作为数据输入并采用卷积滤波器对时序数据进行卷积；

所述卷积模块采用卷积运算符进行输出并对所述卷积运算符进行偏置增强，所述卷积运算符的输出通过激活函数形成所述卷积模块或所述挤压模块的特征映射。

优选地，所述挤压模块用于接收所述卷积模块的输出特征并对输出特征进行向量化。