采用CNN和Bidirectional GRU的时间序列分类研究
时间序列数据具有非离散性、数据之间的时序相关性、特征空间维度大等特点,当前大多数分类方法需要经过复杂的数据处理或特征工程,未考虑到时间序列具有不同时间尺度特征以及序列数据之间的时序依赖.通过结合卷积神经网络和循环神经网络中的双向门控循环单元,提出了一个新的端对端深度学习神经网络模型BiGRU-FCN,不需要对数据进行复杂的预处理,并且通过不同的网络运算来获取多种特征信息,如卷积神经网络在时序信息上的空间特征以及双向循环神经网络在序列上的双向时序依赖特征,对单维时间序列进行分类.在大量的基准数据集上对模型进行实验与评估,实验结果表明,与现有的多种方法相比,所提出的模型具有更高的准确率,具有很好的分类效果.
时间序列分类、深度学习、卷积神经网络、循环神经网络、双向门控循环单元
13
TP183(自动化基础理论)
The Foundation of Guangzhou Science and Technology Planning Project under Grant No. 201604010037 广州市科技计划基金
2020-01-17(万方平台首次上网日期,不代表论文的发表时间)
共12页
916-927