[發明專利]時序數據多層次語義裁剪方法、裝置、電子設備及介質

有效

• 申請號: 202010551677.X
• 申請日: 2020-06-16
• 公開（公告）號: CN111695157B
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 蔣典哲;張蘭;李向陽
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06N3/04;G06N3/08;G06F40/30
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 周天宇

1.一種時序數據多層次語義裁剪方法，其特征在于，包括：

獲取時序數據；

將所述時序數據的語義層次分等級；

根據所述等級，對所述時序數據進行裁剪，從所述時序數據中提取多個語義層次的語義特征，所述各語義層次對應的重構時序數據相對于所述時序數據的信息損失程度不同；

利用所述語義特征，重構出與各語義層次對應的重構時序數據，包括：

定義各語義層次的白名單和黑名單，所述白名單包含了所述語義層次的語義特征及低于所述語義層次的語義特征，所述黑名單包含了高于所述語義層次的語義特征；

根據所述白名單，重構與所述白名單對應的語義層次的重構時序數據；

其中，時序數據為I，重構時序數據為k表示語義層次等級，當進行語義層次等級為k的數據語義重構時，僅有k級別以及比k級別低的語義特征能用于的重構，高于k級別的語義特征不能應用于重構時序數據；

所述方法還包括：

構建多層堆疊的卷積受限玻爾茲曼機神經網絡，利用所述神經網絡，實現對所述時序數據進行裁剪和重構出與各語義層次對應的重構時序數據；

所述神經網絡的輸入層和隱藏層之間使用卷積操作連接，所述神經網絡的堆疊層間池化層使用最大概率池化的方式構建一個雙向映射，同時支持前向推斷和反向重構的過程，所述前向推斷包括對所述時序數據進行裁剪，提取所述語義特征，所述反向重構包括重構與所述白名單對應的語義層次的重構時序數據。

2.根據權利要求1所述的方法，其特征在于，所述重構時序數據的長度與所述時序數據的長度相同。

3.根據權利要求1所述的方法，其特征在于，對于不同長度的所述時序數據，所述神經網絡的隱藏層對所述時序數據取時間平均，以提取具有時不變性的所述語義特征。

4.一種時序數據多層次語義裁剪裝置，其特征在于，包括：

數據獲取模塊，用于獲取時序數據；

語義層次分級模塊，用于將所述時序數據的語義層次分等級；

語義特征裁剪模塊，用于根據所述等級，對所述時序數據進行裁剪，從所述時序數據中提取多個語義層次的語義特征，所述各語義層次對應的重構時序數據相對于所述時序數據的信息損失程度不同；

數據重構模塊，用于利用所述語義特征，重構與所述白名單對應的語義層次的重構時序數據；

所述數據重構模塊包括：

語義層次定義單元，用于定義各語義層次的白名單和黑名單，所述白名單包含了所述語義層次的語義特征及低于所述語義層次的語義特征，所述黑名單包含了高于所述語義層次的語義特征；

語義重構單元，用于根據所述白名單，重構與所述白名單對應的語義層次的重構時序數據；

其中，時序數據為I，重構時序數據為k表示語義層次等級，當進行語義層次等級為k的數據語義重構時，僅有k級別以及比k級別低的語義特征能用于的重構，高于k級別的語義特征不能應用于重構時序數據；

所述裝置還包括：

神將網絡計算單元，用于構建多層堆疊的卷積受限玻爾茲曼機神經網絡，利用所述神經網絡，實現對所述時序數據進行裁剪和重構出與各語義層次對應的重構時序數據；

所述神經網絡的輸入層和隱藏層之間使用卷積操作連接，所述神經網絡的堆疊層間池化層使用最大概率池化的方式構建一個雙向映射，同時支持前向推斷和反向重構的過程，所述前向推斷包括對所述時序數據進行裁剪，提取所述語義特征，所述反向重構包括重構與所述白名單對應的語義層次的重構時序數據。

5.一種電子設備，包括：存儲器，處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時，實現權利要求1至3中的任一項所述的時序數據多層次語義裁剪方法中的各個步驟。

6.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時，實現權利要求1至3中的任一項所述的時序數據多層次語義裁剪方法中的各個步驟。