买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江西师范大学

摘要：本申请提出一种基于时频混合对比学习的多变量时序分类方法及系统，该方法包括：将多变量时间序列输入时域编码器和频域编码器中得到时域第一特征和频域第一特征，经非线性变换得到对应的时域第二特征和频域第二特征后进行时频混合对比学习，得到自监督对比损失函数和有监督对比损失函数，再对时域第二特征和频域第二特征进行标签传播算法，得到带伪标签的时序样本和分类损失函数，最后根据自监督对比损失函数、有监督对比损失函数和分类损失函数构建整体损失函数，时域编码器和频域编码器基于整体损失函数进行分类。本方法能够充分学习时间序列中的时频信息，使得模型在训练时准确捕捉数据的内在结构和语义信息。

主权项：1.一种基于时频混合对比学习的多变量时序分类方法，其特征在于，应用于人体行为图像识别，通过一种计算机设备实现，所述计算机设备包括存储器和处理器，其中：所述存储器用于存放计算机程序，所述处理器用于执行所述存储器上所存放的计算机程序，所述方法包括：获取多变量时间序列的训练数据集，所述训练数据集包括若干个带标签和未带标签的原始时序样本，所述标签指示对应的行为类别，其中，训练数据集，表示多变量的原始时序样本，N表示时间序列数目，L表示时间序列长度，V表示特征维度，表示相应的行为类别标签；构建时域编码器和频域编码器，将所述训练数据集输入时域编码器和频域编码器分别得到时域第一特征和频域第一特征，其中，所述时域编码器和频域编码器均包括空间通道和时间通道，通过所述空间通道输出行为空间特征，通过所述时间通道输出行为时序的动态模式和长期依赖关系；将所述时域第一特征和所述频域第一特征进行非线性变换，得到对应的时域第二特征和频域第二特征，将所述时域第二特征和所述频域第二特征进行时频混合对比学习，以得到自监督对比损失函数和有监督对比损失函数；对所述时域第二特征和所述频域第二特征进行标签传播算法，得到带伪标签的时序样本；对于所述带伪标签的时序样本，采用交叉熵作为分类损失函数，再根据所述自监督对比损失函数、所述有监督对比损失函数和所述分类损失函数构建所述时域编码器和所述频域编码器的整体损失函数；所述时域编码器和所述频域编码器分别基于所述整体损失函数进行分类训练，得到最终行为分类结果。

全文数据：

权利要求：

百度查询： 江西师范大学 一种基于时频混合对比学习的多变量时序分类方法及系统