多元时序的深度自编码器聚类算法

摘要：

针对深度聚类算法对多变量时间序列数据(MTS)的特征提取能力不足等问题,提出一种新的深度聚类结构模型(MDTC).为了提取MTS的关键特征并实现降维,提出一维卷积学习MTS的属性和时序维度的特征表示与循环神经网络等网络层组成的自编码器结构;为了提高模型对时序特征的表示能力,提出了 MCBAM时序注意力模块,用于增强MTS序列中不同时间段的表示特征.在九个公开UEA多元时序数据集进行了实验,模型的自编码器结构相较其他自编码器在七个数据集上提升了 2％～9％;模型的MCBAM模块相较其他注意力模块在六个数据集上提升了 0.3％～2％.实验表明MDTC模型结构和MCBAM模块的有效性,同时模型对比其他聚类算法具有优异的表现.

关键词：深度学习、深度聚类、注意力机制、自编码器、一维卷积

所属期刊栏目：40

分类号：TP18(自动化基础理论)

资助基金：重庆市教育委员会科学技术研究计划项目;重庆理工大学研究生教育高质量发展行动计划资助项目

在线出版日期：2023-08-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2387-2392