公开(公告)号：CN111461201B

公开(公告)日：2023-09-19

申请号：CN202010237398.6

申请日：2020-03-30

申请人： 重庆大学 ,  重庆大学附属肿瘤医院

发明人： 刘然 ,  王斐斐 ,  易琳 ,  王明雪 ,  田逢春 ,  钱君辉 ,  郑杨婷 ,  刘亚琼 ,  赵洋 ,  陈希 ,  崔珊珊 ,  陈丹 ,  高培雪

IPC分类号： G06F18/24 ,  G06F18/25 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  G06F123/02

摘要： 本发明基于相空间重构的传感器数据分类方法，包括步骤：1)把一维传感器时间序列通过基于坐标延迟的相空间重构映射到一个m维的相空间，使传感器数据暴露隐含的关键信息，得到相空间轨迹矩阵；2)把提取到的各个传感器在时刻i下的数据输入到长短期记忆网络模块，设置长短期记忆网络输入的时间步长均为相空间重构的嵌入维数m；3)将各个长短期记忆网络输出的状态信息类比图像的RGB矩阵输入二维卷积神经网络模块，二维卷积神经网络提取的特征输入全连接层，得出分类结果。本发明基于相空间重构的传感器数据分类方法，其改善了原始一维传感器数据结构上的局限性和传感器数据分类准确率受限的问题，能实现对时刻点上的传感器数据进行准确分类。

公开(公告)号：CN111461201A

公开(公告)日：2020-07-28

申请号：CN202010237398.6

申请日：2020-03-30

申请人： 重庆大学 ,  重庆大学附属肿瘤医院

发明人： 刘然 ,  王斐斐 ,  易琳 ,  王明雪 ,  田逢春 ,  钱君辉 ,  郑杨婷 ,  刘亚琼 ,  赵洋 ,  陈希 ,  崔珊珊 ,  陈丹 ,  高培雪

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00

摘要： 本发明基于相空间重构的传感器数据分类方法，包括步骤：1)把一维传感器时间序列通过基于坐标延迟的相空间重构映射到一个m维的相空间，使传感器数据暴露隐含的关键信息，得到相空间轨迹矩阵；2)把提取到的各个传感器在时刻i下的数据输入到长短期记忆网络模块，设置长短期记忆网络输入的时间步长均为相空间重构的嵌入维数m；3)将各个长短期记忆网络输出的状态信息类比图像的RGB矩阵输入二维卷积神经网络模块，二维卷积神经网络提取的特征输入全连接层，得出分类结果。本发明基于相空间重构的传感器数据分类方法，其改善了原始一维传感器数据结构上的局限性和传感器数据分类准确率受限的问题，能实现对时刻点上的传感器数据进行准确分类。

公开(公告)号：CN111291832A

公开(公告)日：2020-06-16

申请号：CN202010167099.X

申请日：2020-03-11

申请人： 重庆大学 ,  重庆大学附属肿瘤医院

发明人： 刘然 ,  陈希 ,  易琳 ,  王明雪 ,  田逢春 ,  钱君辉 ,  郑杨婷 ,  刘亚琼 ,  赵洋 ,  崔珊珊 ,  王斐斐

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明基于Stack集成神经网络的传感器数据分类方法，其包括1)构建基础学习器，基础学习器包括特征提取单元和与特征提取单元连接的特征分类单元；2)将若干个基础学习器的输出作为元学习器的输入，构建成Stacking模型；3)将传感器数据同时输入各个基础学习器的各个特征提取单元的一维卷积层，各个基础学习器的输出作为Stacking模型的元学习器的输入，经元学习器处理后由元学习器的softmax函数层输出最终分类结果。本发明结合卷积神经网络和长短期记忆网络提取传感器数据特征的优势，提高了对传感器数据分类的准确性，并且采用Stacking模型降低了由于卷积神经网络的参数随机初始化造成分类结果波动的影响。