شماره تلفن : 09307584802

خانه ژورنال دانشجویان ایران

Iranian Students Article House

طبقه بندی سری های زمانی با استفاده از مدل ترکیب گاوس از فضای مراحل بازسازی شده

 

Time series classification using Gaussian mixture models of reconstructed phase spaces

DOI: https://doi.org/10.1109/TKDE.2004.17

June 2004

 

Abstract
A new signal classification approach is presented that is based upon modeling the dynamics of a system as they are captured in a reconstructed phase space. The modeling is done using full covariance Gaussian mixture models of time domain signatures, in contrast with current and previous work in signal classification that is typically focused on either linear systems analysis using frequency content or simple nonlinear machine learning models such as artificial neural networks. The proposed approach has strong theoretical foundations based on dynamical systems and topological theorems, resulting in a signal reconstruction, which is asymptotically guaranteed to be a complete representation of the underlying system, given properly chosen parameters. The algorithm automatically calculates these parameters to form appropriate reconstructed phase spaces, requiring only the number of mixtures, the signals, and their class labels as input. Three separate data sets are used for validation, including motor current simulations, electrocardiogram recordings, and speech waveforms. The results show that the proposed method is robust across these diverse domains, significantly outperforming the time delay neural network used as a baseline

 

Keywords: Signal classification, reconstructed phase spaces, Gaussian mixture models

 

 

طبقه بندی سری های زمانی با استفاده از مدل ترکیب گاوس از فضای مراحل بازسازی شده

چکیده
روش جدید از طبقه بندی جدید سیگنال ارائه شده که بر مبنای مدل سازی دینامیک سیستم بوده که در فضای مراحل بازسازی مورد محاسبه قرار می گیرد. این مدل سازی ها با استفاده از مدل ترکیبی کوواریانس گاوس در ارتباط با حوزه زمانی در مقایسه با تحقیقات های حال حاضر و گذشته در طبقه بندی سیگنال ها انجام می گیرد که معمولا تمرکز آن بر روی تحلیل سیستم های خطی با استفاده از مقدار بسامد یا مدل های یادگیری ماشینی غیر خطی ساده همانند شبکه های عصبی مصنوعی می باشد. روش مطرح شده دارای پایه نظری قوی بر مبنای سیستم های دینامیکی و قضایای توپولوژی می باشند که منجر به بازسازی سیگنال شده که با در نظر گرفتن پارامترهای انتخابی مناسب، به طور جانبی نماینده سیستم زیرین می باشد. این الگوریتم ها به طور اتوماتیک این پارامترها را محاسبه کرده تا فضاهای مراحل بازسازی شده را بازسازی را شکل داده وتنها نیازمند تعدادی از آمیزه ها، سیگنال ها و تیکت دسته ها به عنوان توان ورودی می باشد. سه مجموعه داده مجزا برای تایید مورد استفاده قرار می گیرند که شامل شبیه سازی چریان موتوری، دستگاه ثبت ضربان قلب و شکل امواج گفتار می باشد. نتایج نشان می دهد که روش های مطرح شده در حوزه های مختلف اثرگذار بوده و به طور قابل توجهی در مسسیر شبکه های عصبی بر مبنای وقفه زمانی بکار گرفته شده که به عنوان مبنا می باشد.

کلیدواژه- طبقه بندی سیگنال ها، مراحل بازسازی، مدل ترکیبی گاوس.

۱ مقدمه
اکثر فعالیت ها در ارتباط با طبقه بندی و تعیین سیگنال ها بر مبنای تجزیه و تحلیل سیستم های خطی می باشد و از ویژگی هایی براساس ارائه بسامدها استفاده می کنند. همچنین فعالیت های گسترده ای بر مبنای آشکار کردن سیگنال ها و طبقه بندی آن ها در حوزه ارتباطی وجود دارد که بر مبنای نظریات آماری می باشد. گزینه های مربوط به این روش ها شامل طبقه بندی های غیر خطی همانند شبکه های عصبی و یا دستگاه های حامی بردارها و همچنین تکنیک های طبقه بندی شده و مشابه در ارتباط با سری های اطلاعاتی جدید می باشد. بسیاری از روش های بر مبنای حوزه های زمانی در ارتباط با طبقه بندی سیگنال ها بر مبنای وجود الگوها و قالب های ساده ای می باشند که از قبل آموزش داده شده و یا از اطلاعات موجود دریافت می گردد. در ارتباط با سیگنال های واقعی با توجه به سیستم های پیچیده همانند سیستم های قلبی، گفتاری و یا الکتریکی، چنین الگوهای ساده ای به ندرت وجود دارد. تکنیک های بر مبنای فرکانس بر اساس وجود الگوهای طیفی می باشند و جنبه های تصادفی را ایجاد می کنند، تنها ویژگی های اول و دوم سیستم ها را قبول می کنند. اخیرا بررسی ها در ارتباط با سیستم دینامیکی و نظریه های مختلف منجر به مدل های سیگنالی جدیدی شده اند که بر مبنای بازسازی مراحل و طبقه بدی سیگنال های جدید می باشند. برای نمونه، استفاده از متغیرهای دینامیکی بنا بر بخش های ۳، ۴، ۵ اطلاعاتی را ایجاد می کند که فراتر از ارائه طیف های اصلی می باشد. به هر حال فعالیت های کمی مستقیما در ارتباط با مدل سازی سیگنال ها در مراحل بازسازی انجام شده است که به عنوان روش هایی می باشد که برای طبقه بندی سری های زمانی مورد استفاده قرار می گیرد. فرایند آماری در ارتباط با این موارد به وجود می آید و حداکثر احتمالات طبقه بندی شده در مقایسه با روش های مربوط به شبکه های عصبی مورد استفاده قرار می گیرند. بررسی هایی نیز در ارتباط با این سه حوزه متفاوت انجام می شود که شامل آشکارسازی خطاهای الکتریکی، طبقه بندی ریتم ها و همچنین تشخیص واج ها می باشد.
اهمیت روش طبقه بندی صحیح سیگنال ها در ارتباط با حوزه های گسترده ای می باشد. برای نمونه تشخیص خطاهای موتور الکتریکی به عنوان یک مسئله صنعتی مهم و گسترده ای مطرح می گردد. اگرچه موتورهای الکتریکی معمولا قابل اتکا می باشند، در حال حاضر هیچ مکانیسم موثری برای تعیین محدود وسیعی از نوع خطاها و شدت آن ها وجود ندارد، که برای آشکارکردن خطاها قبل از اینکه فاجعه آمیز گردند به کار می رود. کاربرد دیگر آن، طبقه بندی سیستم های مرکزی می باشند. درمان الکترونیکی که نیازمند طبقه بندی دقیق و سریعی می باشد، به عنوان یک روش مورد نظر برای پایان دادن به این ضربان نامنظم به کار می رود. دلایلی نیز وجود دارد که نشان می دهد هرچه این شیوه درمان زودتر انجام گیرد، موفقیت بیشتری در ارتباط با از بین بردن این بی نظمی ها ایجاد می گردد.و به این ترتیب شانس بقا نیز بیشتر می گردد. روش هایی که در چنین مواردی به کار گرفته می شود معمولا نیازمند اطلاعات بیشتری در ارتباط با طبقه بندی این بی نظمی ها دارند. بنابرای یک روش طبقه بندی ساده که به طور دقیقی این بی نظمی ها را کمتر از ۵ ثانیه طبقه بندی می کند از نظر کلینیکی بسیار سودمند می باشد. در حوزه تشخیص گفتار، که سیگنال ها به صورت امواج صوتی بر مبنای یک واحد صوتی می باشند به نام واج می باشند. بهبود در طبقه بندی واج ها باعث بهبود در سیستم صحت تشخیص صدا می گردد.
پیشینه هایی در ارتباط با نظریه سیستم های دینامیکی، و بررسی های فعالیتهای قبلی در این حوزه در بخش ۲ مشخص شده است.روش های مطرح شده همچنین در بخش ۳ ارائه می شوند که اطلاعات مربوط به آن در بخش ۴ قرار می گیرند. بخش ۵ نتایج تجربی را نشان داده و نتیجه گیری در بخش ۶ می باشد.

 

دانلود مقاله انگلیسی و ترجمه فارسی رایگان

من سامان نصیری نویسنده این مقاله هستم.

تاریخ انتشار: 11 سپتامبر 2020
15 بازدید

مطالب مرتبط

دیدگاه ها

مجوزها و نمادها


logo-samandehi

پل های ارتباطی با ما …

تبریز ، بخش مقصودیه ، خیابان ارتش جنوبی، کوچه شهید شهابی ، بن بست باغچه ، پلاک ۸۷ ، طبقه 4
تلفن تماس : 04135421108-09307584802
ایمیل : entofa@gmail.com


Unit4,No87,Baghcheh Alley,South Artesh ST,Azadi ave,MAGHSUDIYEH, Tabriz, Iran
کلیه حقوق این وب سایت محفوظ می باشد . طراحی و توسعه آلسن وب    All rights reserved © 2020 Entofa