控制与决策

作者：刘颖,李旭,吕政,赵珺,王伟

单位：大连理工大学 控制科学与工程学院,辽宁 大连 116024,,大连理工大学 控制科学与工程学院,辽宁 大连 116024,,大连理工大学 控制科学与工程学院,辽宁 大连 116024,,大连理工大学 控制科学与工程学院,辽宁 大连 116024,,大连理工大学 控制科学与工程学院,辽宁 大连 116024,

关键词：时间序列分类;端到端学习;残差网络;概率决策树;随机子空间

基金：国家自然科学基金项目(61873048,62003072)；国家科技部重点研发计划项目(2017YFA0700300)；中央高校基本科研业务费专项资金项目(DUT22JC16).

时间序列数据广泛存在于工业、医疗等应用领域,由于其时序相关性强、特征空间维度大,使得传统的时间序列分类方法普遍存在精度不足和需要复杂特征工程等问题.充分考虑深度神经网络在处理复杂时序数据上的优越性以及决策树方法拟合数据能力强的优势,提出一种基于残差网络和概率决策树的端到端统一深度学习模型.该模型利用残差网络从原始时间序列中提取高级特征,为了更好地建立时序数据特征与类别标签间的映射关系,将概率决策树融入至残差网络的分类层.同时,设计随机子空间的集成策略,缓解由于残差网络的深层结构产生的过度拟合现象,并给出联合优化模型分裂参数和预测参数的迭代优化方案.在大量的基准数据集和工业案例上进行实验和分析,实验结果表明,所提出模型的分类性能优于传统方法与其他深度学习方法,且可有效提高残差网络的泛化能力.

来源：2024年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第7期