【摘 要】
：
时间序列数据广泛存在于我们的生活中,吸引了越来越多的学者对其进行深入的研究.时间序列分类是时间序列的一个重要研究领域,目前已有上百种分类算法被提出.这些方法大致分为基于距离的方法、基于特征的方法以及基于深度学习的方法.前两类方法需要手动处理特征和人为选择分类器,而大多数的深度学习方法属于端到端的方法,并且在时间序列分类问题中表现出不错的分类效果.但是,目前基于深度学习的方法很少能够针对时间序列数据中时间尺度选择的问题对网络进行改进,在网络结构方面,很少将网络进行融合,从而更好地发挥各自的优势.为了解决这两
【机 构】
：
北京交通大学 计算机与信息技术学院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044
论文部分内容阅读
时间序列数据广泛存在于我们的生活中,吸引了越来越多的学者对其进行深入的研究.时间序列分类是时间序列的一个重要研究领域,目前已有上百种分类算法被提出.这些方法大致分为基于距离的方法、基于特征的方法以及基于深度学习的方法.前两类方法需要手动处理特征和人为选择分类器,而大多数的深度学习方法属于端到端的方法,并且在时间序列分类问题中表现出不错的分类效果.但是,目前基于深度学习的方法很少能够针对时间序列数据中时间尺度选择的问题对网络进行改进,在网络结构方面,很少将网络进行融合,从而更好地发挥各自的优势.为了解决这两类问题,提出一种多尺度残差全卷积神经网络(MRes-FCN)结构,用来处理时间序列问题.该结构主要分为数据预处理阶段、全卷积网络与残差网络结合的阶段.为了评价该方法的性能,在UCR的85个公开数据集上进行了实验,与基于距离的方法、基于特征的方法和基于深度学习的方法分别进行了比较.实验结果表明:所提出的方法较其他方法而言具有很好的性能,在多个数据集上优于大多数方法.
其他文献
为了更好地保证化学品的安全生产制造,探究了将自动化控制运用于化工安全生产中的具体作用,并介绍了化工安全生产中对于自动化控制技术的主要应用要点,通过提升自动化控制技术的运用水平,降低了安全风险,提升了化工生产效率.
近年来,分布式数字资产交易平台(decentralized digital asset exchanges,DDAE)受到了广泛的关注.基于金融市场基础设施(principles for financial market infrastructures,PFMI)原理,提出了评估数字资产交易平台的5项基本原则.并基于这些原则,从通信技术和交换协议技术两个方面对现有的分布式数字资产交易平台进行了讨论和评估,阐述了几种典型技术解决方案的实施原理,将各种技术归纳为不同的模型进行分析.然后讨论了当前分布式数字资产
为了充分满足化工企业电气系统的安全性、稳定性与高效性要求,分析了化工企业电气设计中现存的主要问题,并提出了相应的问题解决对策,指出通过做好电气设备选型与防爆车间接地静电工作、提高化工电气设计标准化与设计人员专业素养以及协作水平,来实现化工生产活动的安全开展,使化工行业维持良好的发展状态.
在传统调试过程中,缺陷定位通常作为程序修复的前置步骤.最近,一种新型调试框架(统一化调试)被提出.不同于传统调试中缺陷定位和程序修复的单向连接方式,统一化调试首次建立了定位与修复之间的双向连接机制,从而达到同时提升两个领域的效果.作为首个统一化调试技术,ProFL利用程序修复过程中伴随产生的大量补丁执行信息逆向地提升已有缺陷定位技术的效果.统一化调试技术不仅修复了可被修复的缺陷,而且也为不能被自动修复技术修复的缺陷提供了有效的调试线索.虽然统一化调试是一个很有前景的研究方向,但其在补丁验证过程中涉及到了大
为了解决内核不可信带来的问题,很多工作提出了同层可信基的架构,即,在内核同一硬件特权水平构建可部署安全机制的唯一保护域.但是,实际过程中往往面临多样化的安全需求,将多种对应的安全机制集中于唯一的保护域必然导致只要其中任何一个安全机制被攻陷,同一个保护域内其他所有安全机制都可能被攻击者恶意篡改或者破坏.为了解决上述问题,提出了内核同层多域隔离模型,即在内核同一硬件特权水平构建多个保护域实现了不同安全机制的内部隔离,缓解了传统方法将所有安全机制绑定在唯一保护域带来的安全风险.实现了内核同层多域隔离模型的原型系
时序不变式反映了事件间的时序逻辑关系,被广泛应用于异常检测、系统行为理解、模型推理等技术.在实际使用中,一般通过分析软件系统的日志数据挖掘时序不变式.相比全序日志,偏序日志可为挖掘算法提供更为准确的数据来源.但是,现有的基于偏序日志的时序不变式挖掘方法存在效率较低等问题.为此,以系统执行路径为数据来源,提出了一种基于集合运算的时序不变式挖掘方法SOTIMiner,并研究了改进方案.相比现有方法,该方法不需要反向遍历日志数据,从而具有较高效率.实验显示.该方法在保证挖掘相同结果的基础上,效率平均是Synop
并发程序由多个共享存储空间并发执行的流程组成.由于流程之间执行次序的不确定性,使得并发软件系统的测试比较困难.变异测试是一种基于故障的软件测试技术,广泛用于评估测试用例集的充分性和测试技术的有效性.将变异测试应用于并发程序的一个关键问题是,如何高效地生成大量的模拟并发故障的变异体集合.给出了一种并发程序的变异测试框架,研制了一个并发变异体自动生成工具CMuJava.采用经验研究的方式评估了CMuJava生成的变异体集合的正确性与充分性,并且评估了变异体生成的效率.实验结果表明:CMuJava能够准确、充分
随着图结构化数据挖掘的兴起,超图作为一种特殊的图结构化数据,在社交网络分析、图像处理、生物反应解析等领域受到广泛关注.研究者通过解析超图中的拓扑结构与节点属性等信息,能够有效解决实际应用场景中所遇到的如兴趣推荐、社群划分等问题.根据超图学习算法的设计特点,将其划分为谱分析方法和神经网络方法,根据方法对超图处理的不同手段,可进一步划分为展开式方法和非展开式方法.若将展开式方法用于不可分解超图,则很有可能会造成信息损失.然而,现有的超图相关综述文章鲜有就超图学习方法适用于哪类超图这一问题做出相关归纳.因此,分
近些年来,作为一种新的有监督学习范式,标记分布学习(LDL)已被应用到多个领域,如人脸年龄估计、头部姿态估计、电影评分预测、公共视频监控中的人群计数等,并且在这些领域的相关任务上取得了一定性能上的进展.最近几年,很多关于标记分布学习的算法在解决标记分布学习问题时考虑到了标记之间的相关性,但是现有方法大多将标记相关性作为先验知识,这可能无法正确刻画标记之间的真实关系.此外,标记相关性通常用于在训练阶段调整假设空间,而最终的标记预测并未显式利用标记间的相关性.因此,提出一种新的标记分布学习方法——考虑标记间协
利用多种群遗传算法解决多路径覆盖问题,是测试数据自动生成领域一个重要的研究方向.为了提高多路径覆盖测试数据自动生成的效率,提出一种将关键点概率和路径相似度相结合的多路径覆盖策略.首先,将理论路径划分成易覆盖、难覆盖及不可达路径;然后,通过易覆盖路径统计关键点概率,依此概率计算个体对生成测试数据的贡献度,并利用贡献度改进适应度函数,同时根据关键点概率对目标路径进行排序;最后,使用多种群遗传算法生成覆盖目标路径的测试数据,在进化过程中,子种群覆盖当前目标路径后,继续尝试覆盖该目标路径的相似路径.实验结果表明,