基于深度学习的目标时序信息分析方法研究

论文摘要

时间序列广泛存在于金融、电力、天文、军事等领域,包括对时序模型的分析、周期性等问题的研究,以期对未来的状况做出一定的预测和估计。深度学习方法可以自动提取数据中的特征,对数据建立起抽象模型,具有强大的特征表达能力,通用性强,在语音、视频、文本等数据分析中表现优秀,本文正是采用深度学习的模型进行时序数据的分析研究,实现对目标时序信息的有效利用,达成分析预测的目的。本文以舰船在海上发出的辐射噪声为音频时序数据,以Penn Tree Bank(PTB)数据集为文本时序数据进行研究。提出了相邻时间片信息融合和动态反馈的方式改进了长短期记忆网络。信息融合方法通过对相邻时间片数据的处理,使长短期记忆网络模型不局限于逐一迭代的时序关系,可以增强了时序关系的多样性,提高模型对于时序数据中的时序关系的表达能力。动态反馈方法采用动态参数的方式调节dropout正则化方法,调整的依据为相邻时序输入的相似度,对于时序上发生突变或复杂场景等问题具有更好的抗性,可以提高模型整体的健壮性,减少过度学习的倾向。在此改进的长短期记忆网络模型基础之上,本文又提出了一种划分频段的权重特征提取方法,主要针对舰船噪声偏于低频的特点。对原始音频转换为谱图后,采用二维小波变换的方式对谱图进行高低频段上的分解,得到四组划分频段的谱图。然后构建了四组反卷积网络分别进行无监督训练,还原输入的特征图,使其卷积核具有提取特定频段上特征的能力。在此之后对四组网络中的卷积核按比例抽取组建新的卷积神经网络对测试的原始谱图进行特征提取,抽取的比例体现了特征提取中的频段倾向,故称为权重特征提取方法。本文对分别采用了PTB文本数据集和舰船噪声数据集进行实验。实验表明,相邻时间片信息融合和动态反馈的方法使得LSTM模型的精准度得到提升。针对舰船噪声数据,采用分频段特征提取比未采用此方法的模型具有更好的航态预测准确率。综上所述,本文所构建的深度学习模型对于文本和音频的数据集具有较高的时序信息分析处理能力。

论文目录

• 摘要
• abstract
• 第1章 绪论
•   1.1 课题的研究背景及意义
•   1.2 国内外研究现状
•     1.2.1 深度学习方法的研究现状
•     1.2.2 基于深度学习的时序数据分析方法研究现状
•   1.3 主要研究内容和预期研究结果
•   1.4 论文的组织
• 第2章 相关技术理论基础
•   2.1 时序分析研究方法简介
•     2.1.1 时序分析中的传统方法简介
•     2.1.2 时间分析中的深度学习方法简介
•   2.2 卷积神经网络的研究
•     2.2.1 卷积神经网络的基本概念和思想
•     2.2.2 卷积神经网络的基本结构
•   2.3 长短期记忆网络的研究
•     2.3.1 长短期记忆网络的基本概念和思想
•     2.3.2 长短期记忆网络的基本结构
•   2.4 深度学习常用正则化方法
•   2.5 本章小结
• 第3章 基于信息融合和动态反馈的时序分析方法
•   3.1 引言
•   3.2 基于相邻时间片信息融合的LSTM模型
•     3.2.1 复杂时序关系的构建思想
•     3.2.2 针对LSTM模型的改进结构
•   3.3 动态反馈的正则化方法
•     3.3.1 动态参数的dropout正则化思想
•     3.3.2 基于相邻特征相似度的参数动态调整
•   3.4 文本数据的时序分析实验
•     3.4.1 实验数据集与实验环境
•     3.4.2 实验方法及评价指标
•     3.4.3 结果与对比分析
•   3.5 音频数据的时序分析实验
•     3.5.1 实验数据集与实验环境
•     3.5.2 实验方法及评价指标
•     3.5.3 结果与对比分析
•   3.6 本章小结
• 第4章 基于频段划分的权重特征提取方法
•   4.1 引言
•   4.2 特征提取方法的整体结构
•   4.3 分频段训练的反卷积无监督网络
•     4.3.1 谱图数据的分解方法
•     4.3.2 反卷积网络的适用性分析
•     4.3.3 反卷积网络的无监督训练方法
•   4.4 卷积核重组的卷积神经网络的构建
•   4.5 特征提取方法的整体流程
•   4.6 基于CNN-LSTM联合模型的时序分析实验
•     4.6.1 实验数据集与实验环境
•     4.6.2 实验方法及评价指标
•     4.6.3 实验结果及分析
•   4.7 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢

文章来源

类型: 硕士论文

作者: 曾庆宇

导师: 王念滨

关键词: 时序信息分析,深度神经网络,权重特征提取,信息融合,动态反馈

来源: 哈尔滨工程大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 哈尔滨工程大学

分类号: O211.61;TP18

总页数: 69

文件大小: 2331K

下载量: 131