[发明专利]一种基于SAM-BiLSTM时间序列分类方法

权利要求书

1.一种基于SAM-BiLSTM时间序列分类方法，其特征在于，包括以下步骤：

步骤1：获取一维时间序列数据集，并对一维时间序列数据进行归一化处理；

步骤2：构建一种基于SAM-BiLSTM时间序列分类网络模型；

步骤3：使用一维时间序列数据集对一种基于SAM-BiLSTM时间序列分类网络模型进行训练；

步骤4：利用训练好的一种基于SAM-BiLSTM时间序列分类网络模型对待测的一维时间序列数据进行分类。

2.根据权利要求1所述的一种基于SAM-BiLSTM时间序列分类方法，其特征在于，步骤(1)通过MATLAB仿真得到的电能质量数据集并进行归一化处理。

3.根据权利要求1所述的一种基于SAM-BiLSTM时间序列分类方法，其特征在于，步骤(2)中包括：

(1)利用Bi-LSTM神经网络进行时间特征的提取，使用的是包括输入门、输出门、遗忘门和状态单元的长短期记忆神经元模块，其输出结果的计算公式如下：

f_t＝δ(W_fx_t+U_fh_t-1+b_f)

i_t＝δ(W_ix_t+U_ih_t-1+b_i)

C_t＝f_i*C_t-1+i_t*tanh(W_cx_t+U_ch_t-1+b_c)

O_t＝δ(W_ox_t+U_oh_t-1+b_o)

h_t＝O_t*tanh(C_t)

由于本发明模型采用的是双向的LSTM，即在原有的正向LSTM网络层上添加一层反向的LSTM层，可以表示为：

其中，x_t为第t时刻的时间序列，W为权重矩阵，该权重矩阵包括输入权重矩阵W_i，遗忘权重矩阵Wfx，输出、遗忘、输出细胞单元权重矩阵W_i、W_f、W_o，细胞单元权重矩阵W_c，输出权重矩阵W_o；b为偏置向量，该偏置向量包括输入、遗忘、细胞单元、输出偏置，下标分别为i、f、c、o；分别为时刻t的输入门，遗忘门，输出门和状态，C_t-1和C_t表示第t-1时刻和第t时刻的细胞单元状态，h_t表示t时刻LSTM的输出向量，H_t表示t时刻Bi-LSTM的输出向量；

(2)在Bi-LSTM层后添加自注意力机制，利用Bi-LSTM进行时间序列数据的特征提取，然后对提取到的特征进行权重加权，自动寻找出对输出贡献大的部分，加以较高的权重，从而使其对输出的影响加强。

C_ij＝a_ijh_ij

其中，H^T表示输入数据通过特征提取得到的隐层状态的转置，表示训练学习到的参数，Softmax函数是对结果进行归一化，a是注意力系数。

(3)输出层是接收来自注意力机制加权之后的特征向量，然后在输出层上进行分类操作。根据实际情况，使用Softmax设定分类的数目对一维时间序列进行分类。

4.根据权利要求1所述的一种基于SAM-BiLSTM时间序列分类方法，其特征在于，步骤(3)中包括：

训练采用Adam算法，学习率初始化为0.001，衰减速率初始化为0.9。