[發明專利]基于統計的局部特征計算方法、電子設備、存儲介質

在審

• 申請號: 201811031504.4
• 申請日: 2018-09-05
• 公開（公告）號: CN109446475A
• 公開（公告）日: 2019-03-08
• 發明（設計）人: 馬瑞;丁志祿
• 申請（專利權）人: 浙江長興笛卡爾科技有限公司
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06F17/18
• 代理公司: 廣州市越秀區哲力專利商標事務所(普通合伙) 44288
• 代理人: 胡擁軍;糜婧

本發明提供基于統計的局部特征計算方法，包括步驟：依次以原始數據中的元素為中心，左右連續各取若干數據，生成每個元素對應的統計變換向量，通過每個元素對應的統計變換向量生成統計變換矩陣；通過統計方法依次對統計變換矩陣中的統計變換向量進行統計顯化，得到總體統計顯化結果；通過決策方法依次計算總體統計顯化結果中的每一統計顯化結果的局部特征，得到總體局部特征。本發明涉及電子設備與可讀存儲介質，用于執行基于統計的局部特征計算方法；本發明能夠最大限度的保存原序列中的有效信息，同時過濾掉異常值或無用信息，留下每一個元素在局部序列中的統計特征，為后續的機器學習分析提供更加準確可靠的輸入數據。

技術領域

本發明涉及計算機科學技術領域，尤其涉及基于統計的局部特征計算方法、電子設備、存儲介質。

背景技術

在傳統的低頻信息特征變換過程，原始數據包括低頻信息、中頻信息、高頻信息，在某些應用場景中，高頻信息屬于無用信息，是干擾項，而中頻和低頻信息屬于有用信息。傳統的方法可以通過統計中值的方法對原始數據進行壓縮，壓縮后的數據序列相對于原始數據，雖然過濾了高頻干擾信息，但也丟失了中頻信息。然而丟失的中頻信息很可能是某個場景下的關鍵信息。上述直接對原始數據進行壓縮處理的方式，很可能會丟失某些關鍵信息。因此，亟需一種對原始數據進行有用信息的過濾，為后續的機器學習提供更加能代表序列特性的輸入數據。

發明內容

為了克服現有技術的不足，本發明的目的之一在于提供基于統計的局部特征計算方法，解決了現有技術中直接對原始數據進行壓縮處理的方式，很可能會丟失某些關鍵信息的問題。

本發明提供基于統計的局部特征計算方法，包括以下步驟：

統計變換，依次以原始數據中的元素為中心，左右連續各取若干數據，生成每個元素對應的統計變換向量，通過每個元素對應的統計變換向量生成統計變換矩陣；

統計顯化，通過統計方法依次對所述統計變換矩陣中的統計變換向量進行統計顯化，得到總體統計顯化結果；

統計重組，通過決策方法依次計算所述總體統計顯化結果中的每一統計顯化結果的局部特征，得到總體局部特征。

進一步地，所述統計變換中具體包括以下步驟：

將所述原始數據表示為原始數據向量，所述原始數據向量公式如下：

s＝[s₀,s₁,s₂,s₃,…s_n-1,s_n]

其中，S為原始數據向量，n為原始數據向量S中數據個數；

以原始數據向量中的第i個元素為中心，左右連續各取w個數據，生成第i個元素對應的統計變換向量，具體公式如下：

transform_i＝[s_i-w,…s_i-2,s_i-1,s_i,s_i+1,s_i+2,…,s_i+w]

通過每個元素對應的統計變換向量生成統計變換矩陣，具體公式如下：

其中，transform_i為第i個元素對應的統計變換向量，transform為統計變換矩陣。

進一步地，所述統計變換中，若原始數據向量中第i個元素任意一側的數據總個數小于w，則選取與第i個元素最近的端點數據進行填充，生成第i個元素對應的統計變換向量。

進一步地，所述統計顯化中具體包括以下步驟：