计算机应用

作者：张倩婷, 胡丽莹, 陈黎飞

单位：1.福建师范大学 计算机与网络空间安全学院，福州 350117；2.数字福建环境监测物联网实验室（福建师范大学），福州 350117；3.福建省应用数学中心（福建师范大学），福州 350117

关键词：时间序列,关键形态,噪声,鲁棒性,表征

基金：国家自然科学基金资助项目(U1805263)

鉴于时间序列数据在各个领域的广泛应用，对这些数据的可辨识特征的挖掘和表征至关重要。受数据采集环境和采集设备的影响，许多应用领域的时序数据都存在高噪声的特点，这对数据表征方法的鲁棒性提出了很高的要求。因此，提出一种时间序列的鲁棒形态表征方法（TRS）。该方法采用关键形态（KS）的特征提取方法，在保留可解释性的同时减少噪声的影响，并通过位置距离度量对时间序列进行表征，从而提高整个方法的鲁棒性。在受噪声干扰的时间序列数据上的实验结果表明，TRS所提取的特征在分类上显著均优于现有的方法，与同样基于形态模式提取特征的深度学习模型——对抗动态Shapelet网络（ADSN）相比，平均正确率高出2.1个百分点。可见，TRS提取的特征集更有代表性和鲁棒性。

来源：2025年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第2期