基于Gram矩阵的T-CNN时间序列分类方法

基于Gram矩阵的T-CNN时间序列分类方法
王俊陆;李素;纪婉婷;姜天;宋宝燕
【期刊名称】《浙江大学学报:工学版》
【年(卷),期】2023(57)2
【摘要】时间序列分类是流式数据事件分析和数据挖掘的基础.针对现有方法损失时间属性、分类准确率低、效率低等问题,提出基于Gram矩阵的T-CNN时间序列分类方法.该方法对时间序列进行小波阈值去噪,过滤正态曲线噪声,提出基于Gram矩阵的无损时间域图像转换方法,保留事件全部信息.改进时间序列CNN分类方法,在卷积层计算引入Toeplitz卷积核矩阵,实现矩阵乘积替换卷积运算.引入Triplet网络思想,构建T-CNN分类模型,通过计算同类事件与不同类事件间的相似度优化CNN的平方损失函数,提高T-CNN模型梯度下降的收敛速率及分类准确性.实验表明,相比现有方法,T-CNN时间序列分类方法能够提高35%的分类准确率、35%的分类精确率及40%的分类效率.
【总页数】10页(P267-276)
【作者】王俊陆;李素;纪婉婷;姜天;宋宝燕
【作者单位】辽宁大学信息学院
【正文语种】中文
【中图分类】TP181
【相关文献】
1.基于设计结构化Gram矩阵的ISAR运动补偿方法
2.基于交叉Gram矩阵的双侧H2最优模型降阶方法
3.OSN中基于分类器和改进n-gram模型的跨站脚本检测方法
4.基于n-gram多特征的流量载荷类型分类方法
5.基于离散时间系统交叉Gram矩阵的H₂最优模型降阶方法
因版权原因，仅展示原文概要，查看原文内容请购买。