面向时间序列的混合图像化循环胶囊分类网络
作者:陈容均; 严宣辉; 杨超城
更新时间:
针对时间序列成像中缺乏时间相关性和空间定位的问题,提出了一种混合成像循环胶囊分类网络fir-capsnet,用于时间序列图像的时间和空间信息的融合和提取。Fir capsnet首先通过格拉姆角场(GAF)、马尔可夫过渡场(MTF)和再现图(RP)捕捉时间序列图像的多层次时空特征,然后利用胶囊神经网络的旋转不变性和路由迭代算法学习时间序列图像的空间关系,最后,为了解决胶囊中隐藏的动态时间信息不可关联的问题,引入了长短时记忆网络(LSTM)的门机制。实验结果表明,fir capsnet在30个UCR公共数据集中赢得了15场胜利,人类活动识别数据集(HAR)的分类精度比混合图像卷积神经网络高7.2个百分点。实验对比表明,混合图像循环胶囊神经网络在处理时间序列数据方面具有优势。