在這個世界上,每時每刻都有無數(shù)的事件被人類觀測并記錄著。時間序列數(shù)據作為一種按照觀測時間順序排列的觀測值集合,廣泛的存在于現(xiàn)實生活的各行各業(yè)。時間序列數(shù)據分析與研究不僅僅存在于氣象學、生命科學、經濟學以及農學等諸多主流學科中,自然語言處理、交通管理大數(shù)據、人體姿態(tài)檢測與識別等新興領域也依靠對時間序列數(shù)據的研究,對時間序列數(shù)據的特征值分析與提取已經成為了研究的熱點與難點問題之一。因此,研究如何在盡可能少丟失信息的前提下,從具有時間相關性強、數(shù)據量大、數(shù)據維度高等特點的時間序列數(shù)據中提取有效的特征,從而獲取蘊含在數(shù)據中的知識與信息具有十分重要的意義。近年來,深度學習技術在實際應用中表現(xiàn)優(yōu)異,其中關于特征提取算法的研究取得明顯進展。長短時記憶網絡（Long Short Term Memory,LSTM）作為深度學習中循環(huán)神經網絡的一種變體,對時間序列具有長時間的記憶能力。然而,傳統(tǒng)的LSTM網絡結構中提取的特征是以標量的形式在各個時刻中傳遞,在提取特征的過程中會一定程度的丟失特征之間的語義與時序關系。針對這一問題,本文將膠囊網絡與LSTM網絡相結合,提出了一種膠囊式LSTM網絡結構提取特征,... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖１．１論文結構與內容組織圖??

時間序列在形式上是由現(xiàn)象發(fā)生期間所處時間段與現(xiàn)象在每一時刻的觀測??值兩部分構成，其現(xiàn)象發(fā)生期間所處于的時間段可以為年份、季度、分秒或其他任??何時間形式表示１３９１。一個典型的時間序列如圖２．１所示，該圖為某航空公司１９４９年??丨月到１９６０年丨２月的乘客數(shù)量數(shù)據。??某鈧空公司乘客數(shù)ｍ數(shù)樅??７００?？???－?＞?■??????６００?Ａ?■??（＼?／１??５００?／?／Ｉ?／?＼??奴?Ａ?Ａ?Ｊ＼Ｊ＼??，。。?Ａ?Ａ?Ｊ＼Ｊ＼／?＾??／?＼?Ｊ?＼?Ｔ?Ｗ?ｖ??３００?」＼／?ｖ??ａ?－Ａ?Ｊｖ?Ｙ??２００?ｙ＼?ｙｊ?Ｖ?Ｗ?ｖ??＿?Ｖ??１Ｃ？９４９?１９５１?１９５３?１９５５?１９５７?１９５９??年份??圖２．１時間序列示例圖??８??

?！??圖２．３不同的特征提取算法對比流程閣??圖２．３展示了基于規(guī)則的恃征提取系統(tǒng)、傳統(tǒng)的機器學習與深度學習特征提取??算法的流程圖對比，圖中明影框部分表示系統(tǒng)中這部分可以從數(shù)據中自動學習。通??過流程圖對比，可以清晰的說明深度學習作為機器學習的種算法，是能夠使計算??１１??

【參考文獻】：
期刊論文
[1]基于長短時記憶網絡的人體姿態(tài)檢測方法[J]. 鄭毅,李鳳,張麗,劉守印.  計算機應用. 2018(06)
[2]基于SVMKNN的老人跌倒檢測算法[J]. 張舒雅,吳科艷,黃炎子,劉守印.  計算機與現(xiàn)代化. 2017(12)
[3]基于鄰域一致性和DBPSO的跌倒檢測特征集優(yōu)化算法[J]. 吳科艷,張舒雅,黃炎子,劉守印.  計算機與現(xiàn)代化. 2017(11)
[4]時間序列的表示與分類算法綜述[J]. 原繼東,王志海.  計算機科學. 2015(03)
[5]時間序列數(shù)據挖掘中特征表示與相似性度量研究綜述[J]. 李海林,郭崇慧.  計算機應用研究. 2013(05)
[6]中國人口老齡化現(xiàn)狀分析[J]. 黃毅,佟曉光.  中國老年學雜志. 2012(21)
[7]論關聯(lián)規(guī)則挖掘在時間序列中的應用[J]. 楊彩霖.  陜西教育(高教版). 2011(Z1)
[8]船載設備動態(tài)測量數(shù)據的建模與參數(shù)估計[J]. 張忠華,李曉勇,馮鴻奎,陳貴明,張同雙.  無線電工程. 2008(05)

博士論文
[1]時間序列數(shù)據挖掘中的維數(shù)約簡與預測方法研究[D]. 孫友強.中國科學技術大學 2014
[2]多變量時間序列的聚類、相似查詢與異常檢測[D]. 周大鐲.天津大學 2009

碩士論文
[1]基于Kinect深度圖像人體動作識別研究[D]. 李靖意.北京郵電大學 2015
[2]固定場景下的人體姿態(tài)識別[D]. 張承璽.哈爾濱工業(yè)大學 2014



本文編號：3227735