检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于相空间重构的时间序列分类方法研究

基于相空间重构的时间序列分类方法研究

作者：王斐斐重庆大学

学位级别：硕士

近年来,基于相空间重构(Phase-Space Reconstruction,PSR)的时间序列图像化方法因能描述时间序列的非线性信息等优点,已被用于提升时间序列分类(Time Series Classification,TSC)的性能。然而,这类方法因需要将高维相空间中的轨迹投影... 详细信息

近年来,基于相空间重构(Phase-Space Reconstruction,PSR)的时间序列图像化方法因能描述时间序列的非线性信息等优点,已被用于提升时间序列分类(Time Series Classification,TSC)的性能。然而,这类方法因需要将高维相空间中的轨迹投影到二维平面,往往会导致信息丢失或造成虚假的信息,从而导致分类准确率的下降。本论文的研究目的便是分别在单变量时间序列(Univariate Time Series,UTS)和多变量时间序列(Multivariate Time Series,MTS)上提出新的基于PSR图像化方法以克服上述缺陷,从而提高时间序列分类准确率。针对上述目的,本论文重点研究了基于PSR的UTS数据分类方法(Maximum Trajectory Matrix Image-Deep Convolutional Neural Network,MTMI-DCNN)和基于时空信息图像的MTS分类方法(Spatiotemporal Information Representation-3D Convolutional Neural Network,SIR-3DCNN)。论文首先介绍了相空间重构的基础知识。在此基础之上,提出了适用于UTS数据分类的MTMI-DCNN方法,该方法有效地避免了投影造成的信息丢失和虚假信息等问题,提高了分类准确率。此外,在MTMI-DCNN的基础上,本论文提出了MTS的分类框架SIR-3DCNN。最后,论文对所提的分类方法进行了总结和评估。论文的主要研究成果包括:(1)提出了基于PSR的单变量时间序列分类方法MTMI-DCNN。该方法的基本思想是通过MTMI图像化方法将时间序列转换为具有最大分辨率的轨迹矩阵图像,然后使用DCNN对这些图像进行分类。该方法引入了两项重要技术:1)提出了一种新的时间序列成像技术。它直接将轨迹矩阵作为图像,因此不需要相空间轨迹投影,避免了投影造成的信息损失。2)引入了一种基于PSR的时间序列成像参数的优化技术。它通过最大化轨迹矩阵图像的分辨率来确定相空间重构参数。以上两种技术可以帮助DCNN获得令人满意的分类结果。实验结果表明,本论文所提出的MTMI-DCNN在各种数据集上都优于其他先进的方法:在Uo B、Coffee和CHMO数据集上的准确率分别达到98.7%、100.0%和82.6%;在UCR存档的60个UTS数据集上,获胜次数和平均错误率分别达到19和0.141。因此,它可以作为UTS分类的一种有价值的方法。(2)提出了基于时空信息图像的多变量时间序列分类框架SIR-3DCNN。该框架的主要思想是:首先采用空间维度图像化方法SMTMI(Spatial MTMI)或时间维度图像化方法TOFI(Temporal Optical Flow Imaging)转换为MTS的SIR时空图像序列,然后利用3DCNN对以上图像序列进行分类。我们提出并测试了三种实现:SMTMI-C3D(即SMTMI图像化方法和C3D网络)、TOFI-C3D(即TOFI图像化方法和C3D网络)和SIR-TSSNet(Two Stream Spatiotemporal Network)(即SMTMI、TOFI相结合的图像化和TSSNet)。实验结果表明,方法SIR-3DCNN能够对MTS数据进行有效的分类,尤其是SMTMI-C3D在肺癌诊断电子鼻数据集上的准确率达到95.29%。综上表明,本论文所提出的两种基于PSR的时间序列图像化方法均能够有效提高TSC的分类准确率。研究成果将为基于PSR的时间序列分类提供具有实用价值的新方法。

关键词：时间序列分类相空间重构时间序列成像深度卷积神经网络时空信息

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的时间序列组合预测模型研究

基于深度学习的时间序列组合预测模型研究

作者：郭琛南昌大学

学位级别：硕士

随着大数据时代的发展,数据的数量、种类不断激增。其中,时间序列数据是一种重要的数据形式,分布广泛且多样,其研究价值日益凸显。时间序列预测是信号处理领域的研究方向之一。借助时间序列分析与预测,人们利用各种算法对时间信号进行... 详细信息

随着大数据时代的发展,数据的数量、种类不断激增。其中,时间序列数据是一种重要的数据形式,分布广泛且多样,其研究价值日益凸显。时间序列预测是信号处理领域的研究方向之一。借助时间序列分析与预测,人们利用各种算法对时间信号进行建模和处理,挖掘其内在规律,以达到预测未来值的目的。高精度的预测模型可以帮助相关人员更好地进行决策,从而减少风险,提高收益,在许多场景中具有很高的应用价值。近年来,深度学习技术凭借着其出色的特征提取能力和高效的泛化性能受到了人们的广泛关注,这也为时间序列预测方法提供了一个全新的思路。但是时间序列数据往往呈现出非平稳、非线性和多维度等特点,单一的深度学习模型难以有效提取时间序列的深层特征,难以挖掘数据的内在特性和识别出数据间的潜在模式。为此,本文在对各种深度学习模型研究的基础上,提出了以下两种组合预测模型:(1)基于自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和时间卷积网络(Temporal ConvolutionalNetwork,TCN)的组合时间序列预测模型CEEMDAN-TCN。首先,针对时间序列数据非线性、非平稳性的特点,借助CEEMDAN算法对时间序列进行分解预处理,得到若干个不同频率的子序列,以此来降低原时间序列的复杂性;然后,使用TCN对各个子序列进行建模;最后,将所有的TCN模型的输出进行求和,得到最终的预测结果。实验结果表明,与长短期记忆模型和其他混合模型相比,提出的CEEMDAN-TCN模型在单变量和多变量预测任务中均表现出更好的性能。(2)基于密集连接卷积神经网络(Densely Connected ConvolutionalNetworks,DenseNet)和时间卷积网络(Temporal ConvolutionalNetwork,TCN)的时间序列成像的DenseNet-TCN预测模型。首先,通过递归图、格拉姆角场和马尔可夫变迁场将时间序列数据分别进行预处理,包括将其编码为若干张单通道图像和将这些单通道图像进行堆叠成若干多通道图像,最后送入DenseNet中进行特征提取,再利用TCN预测模型输出最后的预测结果。实验表明,该方法能进一步提取时间序列数据间的时间相关信息和模式信息,在长期预测任务中能获得一个较高的预测精度。

关键词：深度学习信号分解组合模型时间序列成像特征提取

基于定量荧光共振能量转移的潜伏膜蛋白-1与波形蛋白相互作用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

光学学报 2024年第20期44卷 220-230页

作者：吴志伟张先增谢树森泉州师范学院物理与信息工程学院福建泉州362000 福建师范大学光电与信息工程学院福建福州350007

爱泼斯坦-巴尔病毒编码的潜伏膜蛋白-1(LMP-1)和波形蛋白(VIM)是两种公认的鼻咽癌标志物,但两者之间是否存在直接相互作用尚不明确。荧光共振能量转移(FRET)是唯一能够在活细胞中非侵入、动态监测蛋白质相互作用的技术。采用同源重组技... 详细信息

爱泼斯坦-巴尔病毒编码的潜伏膜蛋白-1(LMP-1)和波形蛋白(VIM)是两种公认的鼻咽癌标志物,但两者之间是否存在直接相互作用尚不明确。荧光共振能量转移(FRET)是唯一能够在活细胞中非侵入、动态监测蛋白质相互作用的技术。采用同源重组技术构建LMP-1和VIM的分子荧光探针,并通过一种定量FRET技术,即三通道荧光共振能量转移(E-FRET),在活细胞中检测LMP-1与VIM之间的蛋白质相互作用。进一步地,使用甲基倍他环糊精(MβCD)研究脂筏完整性对LMP-1与VIM相互作用的意义,以及该相互作用在细胞凋亡过程中发挥的作用。荧光图像显示:VIM在LMP-1阳性细胞内的分布呈现明显的极化特征,并且聚集于两者相互作用强的区域。E-FRET成像和细胞活性检测的结果表明:LMP-1与VIM相互作用不依赖于脂筏完整性,且在脂筏被破坏的过程中逐步增强。此外,LMP-1与VIM相互作用也可以增强细胞的凋亡抵抗能力。从新的视角阐述LMP-1的抗凋亡机制,表明定量FRET技术可用于细胞凋亡过程中蛋白质相互作用和分布差异的研究。

关键词：定量荧光共振能量转移时间序列成像鼻咽癌潜伏膜蛋白-1 波形蛋白

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络与序列成像的干旱预测研究

基于卷积神经网络与序列成像的干旱预测研究

作者：吴敏敏上海财经大学

学位级别：硕士

干旱是一种极端的气象事件,具有持续时间长、破坏性大的特点。2021年我国干旱累计造成2068.9万人次受灾,累计造成农作物受灾面积达3426.2千公顷,直接经济损失200.9亿元,给生态系统、农业系统以及社会经济发展带来严重的负面影响,造成了... 详细信息

干旱是一种极端的气象事件,具有持续时间长、破坏性大的特点。2021年我国干旱累计造成2068.9万人次受灾,累计造成农作物受灾面积达3426.2千公顷,直接经济损失200.9亿元,给生态系统、农业系统以及社会经济发展带来严重的负面影响,造成了巨大的经济损失。而在全球气候变暖的背景下,干旱事件的发生变得更加频繁和剧烈,因此需要构建更高精度的干旱预测模型为制定抗旱决策提供理论支撑,最大程度保障生态系统、农业系统的平稳和减少社会经济损失。本文以美国3109个地区为研究对象,从2000年到2020年期间的关于温度、湿度、降水等18个气象指标的日频气象数据入手,依据美国干旱监测提供的周频的六分类干旱等级作为干旱指数,借助时间序列成像技术和卷积神经网络算法等工具,建立干旱预测模型并与基准模型进行对比分析。本文主要的研究内容及结论如下:(1)对数据集进行预处理,构造基准模型的建模样本,同时也为后续序列成像工作提供数据基础。首先,以每周的干旱等级填补对应周的缺失值,使得干旱等级与气象数据的时间频率保持一致。其次,对数据进行重新编码和标准化处理。最后对时间序列进行分割,构造建模样本,本文以26周的气象数据和干旱等级作为模型的输入,即长度为182,维度为19的时间序列作为模型输入,未来6周的干旱等级作为模型的输出。(2)对数据进行多维时间序列成像处理,构造本文模型的建模样本,为后续建模工作提供数据支持。在以往的研究中主要采用序列型数据作为模型的输入,但是时间序列成像技术能更好地去解释序列的内部结构。本文使用递归图的时间序列成像技术将每个样本的18个气象指标和1个干旱指标转换成19张图片,并且根据序列在最后时刻的数值大小为每个维度的时间序列增加额外信息标识,最后将这些图片进行拼接,完成多维时间序列成像。(3)构建基于卷积神经网络和序列成像的干旱预测模型的网络架构,为后续实验分析提供模型基础。本文使用的卷积神经网络架构在Res Net18的基础上做了一些修改,增加Dropout机制,删除残差块中的一个激活函数,并根据实际的输出需求修改了全连接层,使得模型的网络架构更贴合干旱预测的研究场景。(4)在理论研究的基础上,搭建实验平台并完成模型的训练与测试,并与基准模型进行对比分析,本文选取的基准模型是以序列数据为输入的长短时记忆神经网络、一维卷积神经网络、向量自回归模型。在模型训练与测试的过程中,将数据集划分成了训练集、验证集与测试集三部分,使用了不平衡采样器来处理训练集中类不平衡问题,选择交叉熵函数作为模型的损失函数,选取Adam函数作为模型的优化算法。在对模型进行评价时,以Macro-F1等多个评价指标对模型进行评价。通过实验发现,本文提出的模型、长短时记忆神经网络模型、一维卷积神经网络模型、向量自回归模型在预测未来6周的平均Macro-F1分别是0.665、0.595、0.504、0.605,相较于基准模型分别提升了11.8%、31.9%、9.9%。实验表明,本文基于卷积神经网络理论和时间序列成像技术建立的干旱预测模型在四个模型的表现是最好的,在干旱预测问题上体现了更高的预测精度和更好的预测效果,具有一定的参考价值和意义。

关键词：卷积神经网络残差网络时间序列成像递归图干旱预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的非侵入式负荷监测研究

基于深度学习的非侵入式负荷监测研究

作者：杨克新上海电力大学

学位级别：硕士

智能电网能够将传统电网与信息技术相结合,进而利用先进的信息技术实现电能高效、安全、可靠、经济的利用,为能源的可持续发展提供了支撑。负荷监测是智能电网的重要组成部分,它可以通过对用户用电行为的分析,实现对电网负荷的准确预测... 详细信息

智能电网能够将传统电网与信息技术相结合,进而利用先进的信息技术实现电能高效、安全、可靠、经济的利用,为能源的可持续发展提供了支撑。负荷监测是智能电网的重要组成部分,它可以通过对用户用电行为的分析,实现对电网负荷的准确预测和调度,提高电网运行效率和供电质量,降低能源消耗和环境污染,推动智能电网的发展。近年来,非侵入式负荷监测因为其成本低、灵活度高等优点已成为负荷监测的主要技术路线。目前的非侵入式负荷监测方法多数依赖于事件检测,对于多种负荷共同运行的情况不能很好的进行分解;另外因为仅采用单一负荷特征或时域负荷特征,所以导致分解的精度低等问题。本文针对上述困难,提出了一种基于深度学习的非侵入式负荷监测方法,将非侵入式负荷监测分为个两部分。第一个部分是负荷分解,该过程是将所有负荷的聚合电流信号分解为单个负荷的电流信号;第二个部分是负荷分类,该过程是将负荷分解得到的单个负荷的电流进行分类以将负荷去对应具体的负荷类别。在负荷分解过程中,首先将所有负荷的聚合电流信号通过离散傅里叶变换转换为频谱图矩阵,并使用长短时记忆的深度循环神经网络对频谱图矩阵进行词嵌入操作;词嵌入操作将频谱图矩阵变为三维的张量称为嵌入矩阵,然后利用K-Means聚类对组成嵌入矩阵的向量进行聚类可以得到单个负荷对应的频谱图矩阵,最后将单个负荷对应的频谱图矩阵进行频谱图的反变换即可得到单个负荷对应的电流。在负荷分类过程中,本文提出将负荷电流通过时间序列成像转变为图像作为负荷特征进行分析,因此负荷分类问题转变为一个图像分类问题。首先,利用公开的数据集基于不同的时间序列成像方法构建了本文使用的图像数据集;然后,利用构建的图像数据集对基于迁移学习的深度残差神经网络进行训练和测试;最后,利用公开的数据集进行对训练好的深度残差神经网络进行测试,训练好的深度残差神经网络将被用于负荷分解得到的电流的分类。本文针对负荷分解和负荷分类各自设计了算例实验进行验证,实验结果表明了本文所提方法的有效性。

关键词：非侵入式负荷监测深度学习神经网络时间序列成像时域频域变换