[發明專利]一種基于極值標識的時間序列分類方法

有效

• 申請號: 202010549308.7
• 申請日: 2020-06-16
• 公開（公告）號: CN111783567B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 梁建海;方英武;宋新海;苗壯;景斌強
• 申請（專利權）人: 西安外事學院
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/10
• 代理公司: 西安研創天下知識產權代理事務所(普通合伙) 61239
• 代理人: 郭璐

本發明提供了一種基于極值標識的時間序列分類方法,采用符號化的方式標明時間序列的變化趨勢，在進行機器學習、模式識別等半監督場景學習過程中，對手部動作和手語標志進行分類時，可以根據用戶的實際需要，從時間序列本身固有的最值特征出發，以趨勢判定作為時間分類的基準，采用分級描述的方式，確定相應的多級形態表；在形態表參數的獲取過程中，采用線段延長線相交的方式，最終判斷線段集所屬段的趨勢；本方法可以更準確的定位線性化特征，獲得更優的線性擬合結果；非相鄰的線段間的趨勢表達的更加全面；具有適應范圍廣，實用性強的特點。

技術領域

本發明涉及人工智能算法技術領域，尤其涉及一種基于極值標識的時間序列分類方法。

背景技術

時間序列是按時間推移獲得的各種領域的觀測值，一般來說，采樣時間間隔等長；時間序列是由無數個離散點組成的，本身是一維的離散函數；為了發現序列隨時間的變化規律，通常采用連線的方式獲得這些時間序列離散點的幾何特征，并采用相應的幾何外形的相似性，來對不同性質或不同尺度下的時間序列進行判斷，最終獲得可用于數據挖掘等目標的相似時間序列，獲得相似性搜索的結果；時間序列相似性搜索的分類方法，用于機器學習和模式識別領域，在半監督場景學習中用于對時序數據庫進行樣本分類和管理；

半監督學習中對時序數據庫進行樣本分類和管理的具體過程為：

(1)首先采用肌電極或位置跟蹤器測量人體自身的電信號，形成時間序列的樣本數據庫，這些信號具有采樣率高，精度高，數據量大的特點；

(2)然后利用分段線性的時間序列分類方法對數據庫進行手部動作分類和手語標志分類，并將分類結果與人類識別進行方法驗證，獲得最佳的分類結果，所述手部動作包括六類：即握持球形工具的動作，握持小型工具的動作，手掌面向對象進行握持的動作，固定薄而扁平的物體的動作，固定圓柱形工具的動作和支撐重物的持構動作；

現有的分類方法僅采用首端數據點和尾端數據點相連，所獲得的線段，與原有數據相比，會獲得誤差較大的線段，抹除了幾何形態的變化過程，帶來較大的精度損失；

近年來，采用分段線性的方法表示時間序列，采用折線的方式來替代單一線段的方式，可以實現對時間序列的有效壓縮；而在此過程中，如何確定折線出現的時間點，需要研究時間序列的實際趨勢和關鍵點的標準，根據區間變化的情況進行判斷，最終達到線性特征變化形成的時間序列分段線性表示結果；而傳統意義上的時間序列分段，采用最大值，最小值來表示，但這樣所獲得的結果，只是簡單的端點相連，無法獲得符合實際趨勢特征的線性化表示結果。

發明內容

針對上述存在的問題，本發明旨在提供一種基于極值標識的時間序列分類方法，在手部動作和手語標志的分類過程中，從時間序列本身固有的最值特征出發，以趨勢判定作為時間分類的基準，采用分級描述的方式，確定相應的多級形態表，逐級對樣本數據庫中的手部動作和手語標志進行分類；同時在形態表參數的獲取過程中，采用線段延長線相交的方式，最終判斷線段集所屬段的趨勢；在手部動作和手語標志的分類過程中，可以更準確的定位線性化特征，獲得更優的線性擬合結果，完成對手部動作和手語標志的分類，進而完成半監督場景學習中對時序數據庫進行樣本分類和管理；同時非相鄰的線段間的趨勢表達的更加全面；具有適應范圍廣，實用性強的特點。

為了實現上述目的，本發明所采用的技術方案如下：

一種基于極值標識的時間序列分類方法，包括以下步驟：

步驟一：在進行機器學習和模式識別以及半監督學習時，對于進行手部動作分類和手語標志分類問題，首先進行人體自身電信號的采集，然后通過特征采樣的方法將將樣本數據庫中時間序列的數據樣本轉化為具有等長特征的時間序列，并且連接時間序列的起點和終點，進行區域劃分；

步驟二：連接各個時間序列的起點、最大值、最小值和終點，形成時間序列的初級形態；

步驟三：針對不同的時間序列的初級形態，再根據區間極值的分布，確定時間序列的二級形態；