[发明专利]基于相空间重构的传感器数据分类方法

说明书

本发明基于相空间重构的传感器数据分类方法，包括步骤：1)把一维传感器时间序列通过基于坐标延迟的相空间重构映射到一个m维的相空间，使传感器数据暴露隐含的关键信息，得到相空间轨迹矩阵；2)把提取到的各个传感器在时刻i下的数据输入到长短期记忆网络模块，设置长短期记忆网络输入的时间步长均为相空间重构的嵌入维数m；3)将各个长短期记忆网络输出的状态信息类比图像的RGB矩阵输入二维卷积神经网络模块，二维卷积神经网络提取的特征输入全连接层，得出分类结果。本发明基于相空间重构的传感器数据分类方法，其改善了原始一维传感器数据结构上的局限性和传感器数据分类准确率受限的问题，能实现对时刻点上的传感器数据进行准确分类。

技术领域

本发明涉及传感器数据识别技术领域，特别涉及一种基于相空间重构的传感器数据分类方法。

背景技术

早期基于传感器数据的识别主要采用传统的机器学习方法，包括决策树，支持向量机，隐马尔可夫等模型，此类方法通过人工提取时域特征实现状态分类，然而人工提取特征的能力十分有限，并且需要提供大量的先验经验来弥补数据挖掘的不足。在更为复杂的问题中，依赖人工提取特征不再现实，因此需要降低模型对手动特征的依赖。

传感器数据识别相对于图像数据识别有其特殊性，如何解决对一个时刻的传感器数据的分类是一个技术难题，即要对一个时间点而非时间段的数据状态进行判别，因为一个时间序列中划分给每个时刻的数据很少，数据越少表明特征越少，这就增加了分类的难度。

并且传感器数据有其自身的结构局限性。传感器数据本身就存在着数据丢失的嫌疑，每个传感器的原动力学系统都是高维的，经过降维，提取和转化得到一维时间序列，即可以通过设备采集到的数据。而在降维、提取和转化得到一维时间序列的过程中很大可能丢失了很多关键信息。并且人们在传感器特征提取模型上的改进受到传感器数据结构的很大约束，例如，对于一维的传感器数据人们总是惯性的改造一维卷积神经网络来提取特征进行分类。数据结构的局限性大大限制了科研人员的求解思路。

发明内容

有鉴于此，本发明的目的是提供一种基于相空间重构的传感器数据分类方法，以解决传统的机器学习方法在一维传感器数据上的识别效果上严重依赖人工提取特征、传感器数据结构局限性对特征提取模型的限制及传感器数据结构局限性使分类准确率受限的计算问题，以及解决对时刻点上的传感器数据进行准确分类困难的技术难题。

本发明基于相空间重构的传感器数据分类方法，包括以下步骤：

1)对一个传感器输入的时间序列{x₁,x₂,x₃…x_N}，通过坐标延迟重构法引入一个时间延迟参数τ和一个嵌入维数m,来构造一个m维的相空间：

X＝[x_i x_i+τ … x_i+(m-1)τ]       (1)

其中i＝1,2,3…L,L＝N-(m-1)τ，重构后得到的相空间轨迹矩阵为：

式中：行向量x_i组成多维相空间的相点，L个相点共同构成重构相空间轨迹；

对于A、B、C……Z传感器序列，提取各个重构后的传感器数据在时刻i下的行向量，得到最终时刻i的输入数据点格式如下所示：

其中L＝min(A_l,B_l,C_l……Z_l)，M＝max(A_m,Bm,Cm.......Z_m)；

2)把步骤1)中提取到的多个传感器在时刻i下的行向量的组合矩阵(3)输入到各个长短期记忆网络模块，把各个长短期记忆网络输入的时间步长设置为相空间重构的嵌入维数m；