[发明专利]基于Stack集成神经网络的传感器数据分类方法

说明书

本发明基于Stack集成神经网络的传感器数据分类方法，其包括1)构建基础学习器，基础学习器包括特征提取单元和与特征提取单元连接的特征分类单元；2)将若干个基础学习器的输出作为元学习器的输入，构建成Stacking模型；3)将传感器数据同时输入各个基础学习器的各个特征提取单元的一维卷积层，各个基础学习器的输出作为Stacking模型的元学习器的输入，经元学习器处理后由元学习器的softmax函数层输出最终分类结果。本发明结合卷积神经网络和长短期记忆网络提取传感器数据特征的优势，提高了对传感器数据分类的准确性，并且采用Stacking模型降低了由于卷积神经网络的参数随机初始化造成分类结果波动的影响。

技术领域

本发明涉及数据分类技术领域，特别涉及一种传感器数据分类的方法。

背景技术

传感器数据(时间序列数据)是由感知设备或传感设备感受、测量及传输的数据。对于传感器数据的分类可以采用神经网络算法进行处理。在神经网络算法中，对传感器数据分类的时候，很少使用一维卷积神经网络来处理。然而，一维卷积神经网络通过卷积、池化可以自动的提取数据中的特征，这一优点是各种传统的传感器数据分类算法所没有的。因此，一维卷积神经网络具有大幅提升分类能力的潜力。

传感器数据也是一种时间序列数据，故传感器数据之间也是有时间信息的，然而这些时间信息在传感器数据分类时几乎没有被使用到。

发明内容

有鉴于此，为了解决以上描述的现存问题，本发明的目的是提供一种基于Stack集成神经网络的传感器数据分类方法，以解决传感器数据分类时如何提高分类准确性的技术问题。

本发明基于Stack集成神经网络的传感器数据分类方法，包括以下步骤：

1)构建基础学习器，所述基础学习器包括特征提取单元和与特征提取单元连接的特征分类单元，所述特征提取单元由依次连接的一维卷积层、第一批量归一化层、长短期记忆网络层、第二批量归一化层、池化层和扁平层组成，所述特征分类单元由依次连接的融合层、第一全连接层、批量归一化层、第二全连接层、激活函数层、丢弃层和softmax函数层组成，所述特征提取单元至少为两个，各特征提取单元的输出作为特征分类单元融合层的输入；

2)将若干个基础学习器的输出作为元学习器的输入，构建成Stacking模型；

3)将传感器数据同时输入各个基础学习器的各个特征提取单元的一维卷积层，并将传感器数据输入各个基础学习器的特征分类单元的融合层，每个基础学习器的各个特征提取单元的输出数据和传感器数据经特征分类单元的融合层处理后形成新的数据流，新的数据流经特征分类单元处理后输出初步分类概率值；各个基础学习器的输出作为Stacking模型的元学习器的输入，经元学习器处理后由元学习器的softmax函数层输出最终分类结果。

本发明的有益效果：

本发明基于Stack集成神经网络的传感器数据分类方法，是将卷积神经网络应用在传感器数据处理上，利用卷积神经网络提取传感器数据的特征，可以更加全面和准确地进行特征提取；并且其通过长短期记忆网络持续保存信息，从而使传感器数据中含有的时间信息得到保留和利用。

本发明基于Stack集成神经网络的传感器数据分类方法，其基础学习器通过集成多个特征提取单元，对于数据的输入采用了类似宽度学习的思想，并结合卷积神经网络和长短期记忆网络提取传感器数据特征的优势，提高了对传感器数据分类的准确性。

不仅如此，本发明基于Stack集成神经网络的传感器数据分类方法，还采用了Stacking模型，对所搭建的多个基础模型进行集成学习，从而降低了卷积神经网络的参数随机初始化造成分类结果波动的影响，进一步提高了分类结果。

附图说明

图1是基础学习器的结构图；

图2是Stacking模型的结构图；