13、时间序列分类测试：UCR 档案信号研究

时间序列分类测试：UCR 档案信号研究

1. 相关工作

在时间序列分类（TSC）领域，众多研究者提出了不同的方法。以下是一些具有代表性的研究：
- 信号图像转换 ：部分研究者通过振幅相关性将时间序列信号转换为图像，再利用卷积神经网络（CNNs）进行处理。例如，Z. Cui 等将信号拆分为振幅和频率部分，提取适合 CNN 的特征；M. Azad 等将信号投影到二维格式，通过映射像素提取特征用于支持向量机（SVMs）。
- UCR 档案研究 ：H. Dau 等回顾了各种 TSC 相关工作以及 2002 年以来引入的 UCR 档案集；Y. Chen 等对包含标准数据集的档案进行了回顾，指出某些信号上算法的高成就不能反映其在实际应用中的可靠性，但可产生合理的排名。
- 具体算法 ：
- N. Hatami 等使用递归图将时间序列信号转换为二维纹理图像，再使用 CNN 分类器，在 UCR 档案上取得了有竞争力的结果。
- Z. Wang 和 T. Oates 提出将时间序列数据编码为不同类型图像的框架，如 Gramian 角场（GAF）和马尔可夫转移场（MTF）。
- Z. Cui 等提出多尺度 CNN（MCNN）方法，将特征提取和分类整合在一个框架中，在不同尺度和频率上提取特征，声称具有较好的准确性。
- M. Azad 等将一维信号转换为二维灰度图像，通过像素值计算能量作为特征，使用基于分割的分形纹理调查（SFTA）构建特征向量，并用 SVM 进行分类，准确率达 88.57%。
- B. Hu 等挑战了 TSC 中关于信号或模式起止点