[發(fā)明專利]基于Shapelet Transform提取特征的時序數(shù)據(jù)轉二維圖像的新方法

在審

• 申請?zhí)枺?/td>: 202210698030.9
• 申請日: 2022-06-20
• 公開（公告）號: CN115294414A
• 公開（公告）日: 2022-11-04
• 發(fā)明（設計）人: 陳柳潔;許鄧華;楊樂;傅繼陽
• 申請（專利權）人: 廣州大學
• 主分類號: G06V10/77
• 分類號: G06V10/77;G06V10/44;G06V10/764;G06V10/82;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 廣州高炬知識產(chǎn)權代理有限公司 44376
• 代理人: 孫明科

本發(fā)明涉及軟件通訊類技術領域，公開了基于ShapeletTransform提取特征的數(shù)字信號數(shù)據(jù)構造時序圖像的新方法，首先利用Shapelet Transform算法對采集的一維數(shù)字信號數(shù)據(jù)進行Shapelet提取，獲取Shapelets后，結合任意的圖像轉換方法，將一維的Shapelets轉換為二維的時序圖像；最后將時序圖像輸入任意機器學習的算法進行分類識別、檢測。本發(fā)明通過Shapelet算法提取后獲得的數(shù)字信號數(shù)據(jù)具備更好的可解釋性，利用圖像轉換方法將其轉換成二維圖像時，能保留數(shù)字信號數(shù)據(jù)里的時間相關性。在基于具有時間相關性的二維圖像進行分析時，可結合任意的機器學習方法，適用范圍廣。

技術領域

本發(fā)明涉及軟件通訊類技術領域，具體涉及一種基于Shapelet Transform提取特征的數(shù)字信號數(shù)據(jù)轉二維圖像的新方法。

背景技術

關于數(shù)字信號的分析主要有時域分析、頻域分析和時頻域分析，一般基于數(shù)字信號的狀態(tài)識別需經(jīng)信號分解、特征提取、狀態(tài)識別等過程。目前，關于數(shù)字信號的識別分類，主要依靠工程技術人員對數(shù)字信號數(shù)據(jù)進行時域、頻域和時頻域分析，根據(jù)自身經(jīng)驗和相關專業(yè)知識進行分類識別。但是，人工進行分析和識別分類不僅分析過程繁瑣，需要投入的大量人力財力以及時間，而且分類的結果會受工程技術人員的主觀性的影響，分析過程還可能會出現(xiàn)錯誤。

由于人工智能和計算機硬件性能的提高，基于深度學習的分類算法成為研究熱點。近年來，有不少學者將數(shù)字信號與深度學習相結合，用到了卷積神經(jīng)網(wǎng)絡，一般是將一維數(shù)字信號作為輸入或者將一維信號轉為灰度圖、時域圖等方式作為輸入，結合CNN模型進行識別分類。但是，目前在卷積神經(jīng)網(wǎng)絡與數(shù)字信號的分類識別研究中存在著一些問題：

(1)使用卷積神經(jīng)網(wǎng)絡難以處理數(shù)字信號數(shù)據(jù)，處理過程中容易丟失數(shù)字信號中時間序列數(shù)據(jù)里的時間相關性。

(2)傳統(tǒng)卷積神經(jīng)網(wǎng)絡更多是提取圖像的局部空間特征，難以將時間序列中的時間相關特征提取出來。

(3)目前對輸入CNN前的一維數(shù)字信號的預處理措施較少，會使后續(xù)的分類速度變慢。

發(fā)明內(nèi)容

(一)解決的技術問題

針對現(xiàn)有技術的不足，本發(fā)明提供一種基于Shapelet Transform提取特征的數(shù)字信號數(shù)據(jù)轉二維圖像的新方法，通過Shapelet Transform提取數(shù)字信號數(shù)據(jù)的局部特征的數(shù)據(jù)具備更好解釋性；基于提取的Shapelets一維數(shù)字信號，利用圖像轉換方法將其轉換成二維圖像時，能保留數(shù)字信號中時間序列數(shù)據(jù)里的時間相關性，以解決使用卷積神經(jīng)網(wǎng)絡難以處理數(shù)字信號數(shù)據(jù)，處理過程中容易丟失數(shù)字信號中時間序列數(shù)據(jù)里的時間相關性；在傳統(tǒng)卷積神經(jīng)網(wǎng)絡中難以將時間序列中的時間相關特征提取出來；由于缺少對輸入CNN前的一維數(shù)字信號的預處理措施，使后續(xù)的分類速度變慢的問題。以解決上述問題。

(二)技術方案

為實現(xiàn)上述Shapelet Transform提取數(shù)字信號數(shù)據(jù)的局部特征數(shù)據(jù)具備更好解釋性，基于提取的Shapelets一維數(shù)字信號，利用圖像轉換方法將其轉換成二維圖像時，能保留數(shù)字信號中時間序列數(shù)據(jù)里的時間相關性，本發(fā)明以格拉姆角場為例進行說明；在基于具有時間相關性的二維圖像進行分析時，可結合任意的機器學習方法，本發(fā)明以EfficientNetV2-s模型為例，適用范圍廣。

本發(fā)明提供如下技術方案：

一種基于ShapeletTransform提取特征的數(shù)字信號數(shù)據(jù)轉二維圖像的新方法，包括以下步驟：

S1、ShapeletTransform提取特征

Shapelet Transform特征提取具以下有五個主要階段：生成Shapelets候選、計算Shapelets和時間序列之間的距離、評估Shapelets的質(zhì)量、發(fā)現(xiàn)Shapelets和ShapeletTransform。