[发明专利]一种基于双层嵌套LSTM的超长多维时间序列分类方法

权利要求书

1.一种基于双层嵌套LSTM的超长多维时间序列分类方法，其特征在于，包括以下步骤：

S1：获取多维时间序列样本，并标注所属类别，得到已知所属类别的时间序列样本；

S2：将输入层、一个由i个LSTM网络并联而合成的网络、一个LSTM网络、三个全连接层、两个Batch Normalization层、一个Softmax层进行串联，得到双层嵌套LSTM模型；

S3：将已知所属类别的时间序列样本作为训练数据输入双层嵌套LSTM模型进行分类训练，得到训练后的双层嵌套LSTM模型；

S4：使用训练后的双层嵌套LSTM模型对未知所属类别的目标时间序列样本进行分类识别。

2.根据权利要求1所述的基于双层嵌套LSTM的超长多维时间序列分类方法，其特征在于，步骤S2中，所述的LSTM网络包括:

t时刻的LSTM记忆单元将t时刻的时间序列数据x_t、t-1时刻的LSTM记忆单元输出的隐藏层状态h_t-1和t-1时刻的LSTM记忆单元输出的细胞状态C_t-1作为输入，并输出t时刻的LSTM记忆单元的隐藏层状态h_t和t时刻的LSTM记忆单元的细胞状态C_t，h_t且C_t和的计算表达式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t·tanh(C_t)

其中，W_i、W_f、W_C和W_o均为权重；b_i、b_f、b_C和b_o均为偏置；f_t为t时刻的LSTM记忆单元的遗忘门；i_t为t时刻的LSTM记忆单元的输入门；C～_t为t时刻的LSTM记忆单元的细胞状态候选值；o_t为t时刻的LSTM记忆单元的输出门；tanh(·)为双曲正切函数；σ(·)表示Sigmoid函数。

最后一个时刻的LSTM记忆单元输出的隐藏层状态为一个LSTM网络的最终输出，维度为(128,None,64)，128指切割后的时间序列样本分片的时间步长，None指一次训练所抓取的样本数量，64指输出的维度。

3.根据权利要求1所述的基于双层嵌套LSTM的超长多维时间序列分类方法，其特征在于，所述的双层嵌套LSTM模型，具体包括：

输入时间序列样本在经过双层嵌套LSTM模型的输入层后，先进行等长分割，分割成i个长度相同的时间序列样本分片；然后，将i个时间序列样本分片分别输入到并联的i个LSTM网络中，以提取每个时间序列样本分片内部的时间相关特征并把按顺序进行拼接，得到拼接特征再将输入到接下来的一个LSTM网络，用来提取i个时间序列样本分片之间的时间相关特征，并得到这个输入时间序列样本的最终特征最后，通过全连接层、Batch Normalization层和Softmax层将映射到样本标记空间。

4.根据权利要求3所述的基于双层嵌套LSTM的超长多维时间序列分类方法，其特征在于，使用Split操作将输入时间序列样本分割成i个长度相同的时间序列样本分片。

5.根据权利要求3所述的基于双层嵌套LSTM的超长多维时间序列分类方法，其特征在于，使用Concat操作把按顺序拼接进行特征融合。