10、基于格拉姆角场的广义学习系统用于时间序列分类

基于格拉姆角场的广义学习系统用于时间序列分类

1. 引言

时间序列数据是按时间顺序观测得到的一组观测值，分类和预测是数据挖掘领域的经典问题。不过，由于时间序列数据的复杂性，其分类在以往研究中颇具挑战。大量工作致力于时间序列预测的发展与改进，涵盖从单变量到多变量、从离线到在线、从线性到非线性、从短时间序列到长时间序列等方面。

然而，直接将原始时间序列作为分类器输入，虽能在一定程度上保留非线性特征，但未充分考虑时间相关性。而且，使用长短期记忆网络（LSTM）处理时间序列时，对硬件要求极高，尤其是处理长序列时，需要大量存储带宽和计算资源，训练过程耗时久。目前，在时间序列分类研究中，研究人员开始将一维时间序列转换为二维数据表示，用于分类模型的训练和识别。

神经网络的快速发展为数据处理提供了便利。早期神经网络主要解决参数调整和网络层次结构问题，存在学习收敛速度慢、易陷入局部极小值等缺点。目前，神经网络广泛应用于语音识别、图像处理和目标识别等领域，常见的有反向传播（BP）网络，近年来深度学习模型如卷积神经网络（CNN）、深度信念网络（DBN）、深度玻尔兹曼机（DBM）在图像处理方面取得了重大突破。但深度学习网络层数多、结构复杂，训练速度慢；BP网络结构相对简单，但迭代求解速度慢，也易陷入局部最优解。

为解决深度神经网络的瓶颈，广义学习系统（BLS）被提出。与深度神经网络的“深度”结构不同，BLS更倾向于“宽度”方向构建网络。它通过特征映射处理输入数据生成特征节点，再对特征节点进行非线性变换生成增强节点，特征节点和增强节点拼接作为隐藏层，隐藏层输出连接权重得到最终输出。BLS只需用伪逆计算从隐藏层到输出层的权重，计算速度快，不会出现梯度消失或爆炸问题，还可通过增量学习快速重