目录

引言

1.马尔可夫转移场(Markov Transition Field)

 2. 对称点模式(symmetric dot pattern)

3. 符号递归图(Symbolic recurrence plots)

 4.相对位置矩阵(Relative Position Matrix)

声明


引言

受最近深度学习在计算机视觉和语音识别方面的成功启发,许多研究者提出将一维时间序列数据编码为不同类型的图像,这样可以放大数据中的动态特性,更好地表征原数据。

1.马尔可夫转移场(Markov Transition Field)下载

通过顺序表示马尔可夫转移概率来扩展该思想,以在时域中保留信息。

M=\left[\begin{array}{ccc} w_{i j \mid x_1 \in q_i, x_1 \in q_j} & \cdots & w_{i j \mid x_1 \in q_i, x_n \in q_j} \\ w_{i j \mid x_2 \in q_i, x_1 \in q_j} & \cdots & w_{i j \mid x_2 \in q_i, x_n \in q_j} \\ \vdots & \ddots & \vdots \\ w_{i j \mid x_n \in q_i, x_1 \in q_j} & \cdots & w_{i j \mid x_n \in q_i, x_n \in q_j} \end{array}\right]

[1] Wang, Zhiguang , and  T. Oates . "Encoding Time Series as Images for Visual Inspection and Classification Using Tiled Convolutional Neural Networks." Workshops at the Twenty-ninth Aaai Conference on Artificial Intelligence 2015.

 2. 对称点模式(symmetric dot pattern)下载

近年来,一种直观的信号表示方法--对称点模式(symmetric dot pattern, SDP)被用于信号分析和模式识别。与一些常规方法不同,SDP是一种基于极坐标系的图像表示方法,可以直接将原始信号转换为镜像对称雪花图像,实现简单,计算量小,且对噪声鲁棒。模式之间的识别和区分与信号之间的幅度和频率差异直接相关,对称点图(SDP)图像表示方法能够准确地表达信号的变化,在工业设备故障诊断、能源系统、水利,气象,交通时间序列分析中得到广泛应用。

\begin{gathered} r(i)=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }} \\ \theta(i)=\theta_l+\frac{x_{i+a}-x_{\min }}{x_{\max }-x_{\min }} \zeta \\ \phi(i)=\theta_l-\frac{x_{i+a}-x_{\min }}{x_{\max }-x_{\min }} \zeta \\ \theta_l=\frac{360}{N} l \end{gathered}

[1] Cheng, Yang , et al. "Abnormal noise diagnosis of motorcycle engines based on Symmetrized Dot Pattern method." Technical Acoustics 29.5(2010):523-527.

3. 符号递归图(Symbolic recurrence plots)下载

 符号递归图(Symbolic recurrence plots):是一种以为时间序列转图像技术,可用于平稳和非平稳数据集;对噪声具有鲁棒性,在一定的数据变换条件下具有不变性。结合深度学习技术可以解决能源电力,水利,天气,生物医学,交通等领域的复杂模式识别和监测任务。

x_{i_1} \leq x_{i_2} \leq \ldots \leq x_{i_m}

i_{s-1}<i_s$ if $x_{i_{s-1}}=x_{i_s}

[1] M. V. Caballero-Pintado, M. Matilla-García, and M. Ruiz Marín, “Symbolic recurrence plots to analyze dynamical systems,” Chaos, vol. 28, no. 6, p. 063112, Jun. 2018, doi: 10.1063/1.5026743.

 4.相对位置矩阵(Relative Position Matrix)下载

相对位置矩阵(Relative Position Matrix,RPM)和卷积神经网络(CNN)来完成时序分类任务。研究了一种称为相对位置矩阵的时间序列数据表示方法将原始时间序列数据转换为二维图像,从而可以使用图像识别技术。这些图像显示了原始时间序列数据的一些有用信息。此外,原始时间序列数据中嵌入的模式和特征被包含在转换后的图像中。从RPM生成的图像中,很容易直观地看到和解读类内和类间的相似性。

x_i=\left\{\begin{array}{l} \frac{1}{k} \sum_{j=k *(i-1)+1}^{k * i} z_j, i=1,2, \ldots, m,\left\lceil\frac{n}{k}\right\rceil-\left\lfloor\frac{n}{k}\right\rfloor=0 \\ \left\{\begin{array}{l} \frac{1}{k} \sum_{j=k *(i-1)+1}^{k * i} z_j, i=1,2, \ldots, m-1 \\ \frac{1}{n-k *(m-1)} \sum_{j=k *(m-1)+1}^n z_j, i=m \end{array},\left\lceil\frac{n}{k}\right\rceil-\left\lfloor\frac{n}{k}\right\rfloor>0\right. \end{array}\right.

[1]W. Chen and K. Shi, “A deep learning framework for time series classification using Relative Position Matrix and Convolutional Neural Network,” Neurocomputing, vol. 359, pp. 384–394, Sep. 2019, doi: 10.1016/j.neucom.2019.06.032.

声明

文中会有一些内容引自网络,难免有未尽之处,如有不妥,请随时联系删改。

Logo

CSDN联合极客时间,共同打造面向开发者的精品内容学习社区,助力成长!

更多推荐