基于深度学习的目标时序信息分析方法研究

【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。