基于深度置信网络的多变量时间序列分类方法

摘要：

针对当前多变量时间序列分类方法未考虑降维处理多变量时间序列,导致多变量时间序列分类精度较低,分类时间较长的问题,提出了基于深度置信网络的多变量时间序列分类方法.通过构建深度置信网络模型结构,基于受限玻尔兹曼机,提取可见单元与隐藏单元特征信息,采用Isomap算法,在深度置信网络内进行优先特征提取操作,通过附加约束构造半正定矩阵,降维处理多变量时间序列.在低维特征空间内,利用支持向量机中分线性分类函数,计算得到拉格朗日乘子,根据正则化参数特性,通过高斯核函数,计算得到最优核函数,完成多变量时间序列分类.实验结果表明,提出方法的泛化误差较小,能够有效提高多变量时间序列分类精度,缩短多变量时间序列分类时间.

关键词：深度置信网络;多变量时间序列;时间序列分类;拉格朗日乘子;支持向量;高斯核函数

所属期刊栏目：38

分类号：TP302(计算技术、计算机技术)

资助基金：国家自然科学基金;中国科学院战略性先导科技专项;中国科学院战略性先导科技专项;上海市科委科研计划

在线出版日期：2022-01-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：262-266