[发明专利]一种基于数据增强的神经网络时间序列分类方法

权利要求书

1.一种基于数据增强的神经网络时间序列分类方法，其特征在于：包括以下步骤：

步骤1：对包含N个样本的时间序列数据集D＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}进行预处理；

步骤2：对训练集D_train进行数据增强；

步骤3：构建LSTM-FCN模型，LSTM-FCN中有两个并行分支：LSTM和FCN，LSTM由一个LSTM单元组成，隐含状态个数为8，最后是丢弃率为0.8的丢弃层；FCN由3个一维卷积层组成，分别具有{7×1,5×1,3×1}的卷积核和{128,256,128}个通道，卷积步长均为1，每个卷积层后都有一个块归一化层和修正线性单元，FCN的最后一层为全局平均池化层；对于第i个输入时间序列样本，LSTM-FCN首先分别使用LSTM和FCN提取特征f_LSTM和f_FCN，然后将特征f_LSTM、f_FCN在特征维度上进行拼接，最后使用Softmax对拼接的特征进行分类；

步骤4：选择迭代次数、学习率参数，每次迭代按照生成训练集D_mixup训练LSTM-FCN模型，以交叉熵函数作为损失函数，使用反向传播和梯度下降算法Adam训练网络，并保存训练好的网络，交叉熵函数公式为：

其中，为时间序列真实标签，为时间序列预测标签，1≤p≤N_train；

步骤5：在测试集D_test上测试训练好的LSTM-FCN网络，计算时间序列的分类准确率。

2.根据权利要求1所述的一种基于数据增强的神经网络时间序列分类方法，其特征在于：预处理步骤包括：

步骤1.1：使用z-score标准化方法对时间序列数据集D进行标准化处理，标准化公式为：

其中，x_i表示第i个时间序列样本，μ表示时间序列样本均值，σ表示时间序列样本方差，x_i′表示标准化后的第i个时间序列样本，1≤i≤N；

步骤1.2：将时间序列样本类别标签y_i转换为独热编码y′_i，其中，y′_i为具有C个元素的一维向量，C为时间序列样本类别数量，转换公式为：

其中，j∈[0,C)，且j属于整数；

步骤1.3：将数据集D以8:2划分为训练集D_train和测试集D_test。

3.根据权利要求1所述的一种基于数据增强的神经网络时间序列分类方法，其特征在于：步骤2包括：

步骤2.1：根据Mixup公式，首先选择参数α：

其中，(x′_p,y′_p)和(x′_q,y′_q)为两个不同的时间序列样本，为生成的时间序列样本，λ～Beta(α,α)，α∈(0,∞)，选择参数α，并从Beta(α,α)分布中产生随机数λ；1≤p≤N_train，1≤q≤N_train，p,q∈N⁺；

步骤2.2：从训练集D_train中依次选择M个样本，1≤M≤N_train，得到时间序列样本集D_p＝{(x′_p1,y′_p1),(x′_p2,y′_p2),...,(x′_pM,y′_pM)}，对样本集D_p随机排列，得到时间序列样本集D_q＝{(x′_q1,y′_q1),(x′_q2,y′_q2),...,(x′_qM,y′_qM)}，其中pm≠qm，1≤m≤M；

步骤2.3：利用样本集D_p和样本集D_q计算出增强后的训练集作为一次迭代的训练数据集，计算公式为：

其中，(x′_pm,y′_pm)为D_p中的第m个时间序列样本，(x′_qm,y′_qm)为D_q中的第m个时间序列样本，为生成的第m个时间序列样本。