CN112035718B - 基于趋势一致性匹配的时间序列分类方法的肉类检测方法 - Google Patents
基于趋势一致性匹配的时间序列分类方法的肉类检测方法 Download PDFInfo
- Publication number
- CN112035718B CN112035718B CN202010814796.XA CN202010814796A CN112035718B CN 112035718 B CN112035718 B CN 112035718B CN 202010814796 A CN202010814796 A CN 202010814796A CN 112035718 B CN112035718 B CN 112035718B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- distance
- time
- trend
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 235000013372 meat Nutrition 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000005452 bending Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000004566 IR spectroscopy Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 235000015278 beef Nutrition 0.000 description 20
- 235000013305 food Nutrition 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 239000005417 food ingredient Substances 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Biochemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明公开了基于趋势一致性匹配的时间序列分类方法的肉类检测方法，包括S1:训练时序距离分类计算，获得依据类内弯曲距离最小的最优时序和相应的距离阈值；S2：对最优时序进行趋势化表示；S3：对测试时序与最优时序之间的时间弯曲距离进行计算，依据距离阈值对时序进行筛选，获得备选集；S4：对时序备选集内的时序进行趋势化表示，进行与最优时序趋势化表示结果的一致性计算；S5：根据与多个类型最优时序匹配一致性计算结果，最终确定测试时序的类型；采用公认时序数据库的实验结果证明，该分类的准确率和召回率等指标都有显著的提高，分类结果不受时序类型多和数据长度的影响，分类的基准明确，不需要进行多次训练模型学习。
Description
技术领域
本发明涉及模式识别中时间序列分类技术领域，具体涉及基于趋势一致性匹配的时间序列分类方法的肉类检测方法。
背景技术
时间序列在金融，医学和气象等领域都具有分类需求，时间序列分类的目标是根据训练集数据获得相应的时序特征，对分类实例的观测值和特征值之间的关系判断实际数据的取值，完成相似性度量基础上的距离计算，通过数值属性的离散表示或标识，实现不同类型时序分类受到研究者的关注，如在食品安全领域，普遍采用红外光谱法识别食物成份，可以识别食物卡路里等，防止食品异物污染，在肉类的成份鉴别过程中，采用时间序列分类方法，对肉类的光谱数据进行识别，鉴定其类型，确保牛肉的纯度，对于食品安全具有非常重要的意义；
在对于时间序列的研究过程中，研究人员提出了以下几种时间序列的分类方法，其各自原理及优缺点如下：
时序简化表示能够降低数据维度，实现较低的计算消耗，能够体现分类的训练过程需要的时域特征；要求包括：保留整体趋势特征；标识明确易实现比较；对局部噪音或低幅度的波动不敏感。针对时序的趋势特征，采用子序列外形进行分类的方法，但这类方法计算耗时过高，相应的改进方法在大数据集条件下时间消耗高，分类准确率不高；
符号化表示来源于分段线性的PAA方法，其中最常见的是符号聚合近似方法SAX；聚合近似方法通过数据分布概率对分布空间进行划分，根据分段均值所在分布空间的情况进行字符表示；聚合近似方法无法体现子趋势的顺序，同时聚合符号结果仍然需要距离比较；在均值概率基础上的进行对精度要求更高的距离计算，正确率和召回率都受到明确的影响；
线性化分段方法具有趋势化表示的作用，但为确保标识结果的可比较性，通常采用固定步长采样分段；采用较大固定步长时，获得的时序点往往会跳过最值点，造成趋势标识无法体现主要特征；最终导致分段过多，符号标识无法进行有效比较，提高采样本频率也无法克服这个缺陷；目前研究人员开始采用符号聚合近似和动态时间弯曲结合的方法进行分类，但符号化的均值方法仍然需要先进行固定分段，可能忽略时间序列局部形态特征导致分类错误；同时，极值分段过多会造成时序分段过多，无法体现时序的主要趋势。时间序列分段表示方法主要分为分段常数表示和分段线性表示，主要目标是解决拟合度的问题，优点是表示方式单一，缺点是对波动较大的数据较难拟合；
时间序列的分段线性方法，可以对时序快速分段，形式直观，计算复杂度低；主要采用端点连接的方式进行曲线形态表示，步长选择采用机械等长方法，获得相应的分段结果；但端点直接的方法，忽略时序的变化过程，在区间内数据发生较大幅度变化时，无法有效表示，会造成相应的计算精度损失；需要结合时间序列的实际趋势和特征来设立相应转折点，同时对区间内局部变化进行标注，最终获得明确的时间序列分段表示结果。
发明内容
针对上述存在的问题，本发明旨在提供基于趋势一致性匹配的时间序列分类方法的肉类检测方法，本方法在对肉类进行纯度检测过程中，首先采用红外光谱法获得肉类的时间序列数据，并将时间序列数据集分为长度和大小相同的训练时序和测试时序，通过对训练样本进行分类学习，获得类内最优时序和相应的弯曲距离值，对最优时序进行极值分段和标识；其次，采用训练过程获得的弯曲距离值对测试时序进行筛选，对获得的时序进行极值分段，与最优时序的极值分段和标识结果进行趋势匹配，获得最终的分类结果，经实验证明，采用本趋势一致性匹配的时间序列分类方法，可以提高纯牛肉和掺假样品的鉴别成功率，更好的确保食品安全，具有分类效果准确、快速的特点。
为了实现上述目的，本发明所采用的技术方案如下：
基于趋势一致性匹配的时间序列分类方法的肉类检测方法，包括以下步骤：
S1.在利用红外光谱法对肉类进行检测时，首先获得光谱形成的无序时间序列数据，将无序时间序列数据分为长度和大小相同的训练时序和测试时序，并对训练时序进行类内距离分类计算，获得训练时序的类内弯曲距离最小的最优时序和相应的距离阈值；
S2.对S1得到的最优时序进行趋势化表示；
S3.计算测试时序与S1得到的最优时序之间的时间弯曲距离，并依据距离阈值对时序进行筛选，获得时序备选集；
S4.对S3得到的时序备选集内的时序进行趋势化表示，并与S2得到的最优时序趋势化表示结果进行一致性计算；
S5.根据多个类型最优时序匹配一致性计算结果，最终确定测试时序的类型，与标准肉类时序类型进行比较，判断该肉是否掺假。
优选的，步骤S1所述的最优时序的获得过程包括：
S101.首先对同一类型的所有训练时序均进行时间弯曲距离的遍历计算；
S102.将每个训练时序与其它同类型的时序进行时间弯曲距离计算求和，距离和最小的时序是该类型的最优时序，具体过程为：
(1)时间序列弯曲距离求和计算：
其中：Dbase(s1,t1)为基距离，累加距离Ddtw(S,T)选择当前位置左方，下方及左下方三点中最小值加上当前点的基距离作为累加距离；
(2)进行弯曲距离结果排序,选择累加距离最小的时序为最优时序tyts：
优选的，步骤S1所述的距离阈值指最优时序与类内其它时序的距离均值，类内时序为训练时序内与该时间序列类型一致的时间序列。
优选的，步骤S2所述的对最优时序进行趋势化表示的具体过程包括：
S201.依次连接最优时序进行的所有极值点，获得该最优时序的分段区间{Sk}，用分段PN代表时间序列{Sk}的上升或者下降，则：
其中：k,k+1代表时间序列{Sk}的不同分段，当PNk,k+1＝-1时，代表时间序列{Sk}某一分段下降，当PNk,k+1＝+1时，代表时间序列{Sk}某一分段上升；
S202.判断区间的上升或下降趋势，计算分段区间{Sk}的区间幅度KN与时序标准差的倍数关系，确定时序的趋势化表示结果,则：
KNk,k+1＝[(Sk+1-Sk)/v]
其中：v代表对于时间序列Si，平均值M，整个时序的标准差：标准差可以衡量数值自平均值分散的程度；在分段区间内，采用标准差对时序进行度量，判断区间趋势。
优选的，步骤S3所述的时序备选集的获得过程包括：
S301.计算测试时序与最优时序的时间弯曲距离，所述时间序列弯曲距离计算为：
其中：Dbase(s1,t1)为基距离，累加距离Ddtw(S,T)选择当前位置左方，下方及左下方三点中最小值加上当前点的基距离作为累加距离，获得相应的累加距离作为最终弯曲距离的结果Ddtw(S,T)；
S302.将时间弯曲距离计算结果与最优时序相应的距离阈值进行比较，大于距离阈值，不属于最优时序所属类型，小于距离阈值，属于最优时序所属类型，进入备选集。
优选的，步骤S4所述的一致性计算的具体过程包括：
S401.依次连接时序备选集内的时序的所有极值点EXTREM(a,b)，获得该备选集内的时序分段区间；
其中：EXTREM(a,b)＝S(sa,sb)，a和b代表连续的两个极值点；
S402.判断区间的上升或下降趋势，对分段区间的区间幅度与时序标准差的倍数关系KNa,b，确定时序的趋势化表示结果；
其中：KNa,b＝[(Sb-Sa)/v]，v代表对于时间序列Si，平均值M，整个时序的标准差：
S403.根据标准差的结果，减去步骤S202和步骤S402的趋势表示的结果中波动低于标准差的区间，进行一致性计算，即保留的区间计算方式为：
|sb-sa|＞v
其中：对于Feature特征标识需要依次计算最值标识和波动性：先计算最值标识，当count(max(Feature))＝count(max(Query))成立时，计算波动性标识volume(max(Feature))＝volume(Feature)；如果波动性标识也保持一致，测试时序和最优时序趋势具有趋势一致性。
优选的，步骤S5所述的确定测试时序的类型的方法为：当出现时间序列符合多个类型时，按弯曲距离优先的原则进行确定类型。
本发明的有益效果是：本发明公开了基于趋势一致性匹配的时间序列分类方法的肉类检测方法，与现有技术相比，本发明的改进之处在于：
(1)本发明设计了基于趋势一致性匹配的时间序列分类方法的肉类检测方法，本方法结合时间弯曲距离计算和趋势一致性计算两类方式的优点，在体现数据累计波动对距离产生作用的基础上，充分考虑时序的区间波动性和可符号化，对于模式识别领域中的时间序列分类提供具有准确计算的分类方法，该分类方法对于类型多和维度高的时间序列分类表现出良好的分类性能；
(2)本方法所提出的符号标识具有趋势化表示的作用，能够确保标识结果的可比较性；而且本发明所提出的方法，还可以解决弯曲距离符合阈值要求的时序无法进行趋势识别的问题；
(3)而且本发明所提出的基准时序的方法，在获得类内最优时序以后，可以提高纯牛肉和掺假样品的鉴别成功率，更好的确保食品安全，具有新的训练集的学习过程更加快捷，更新速度更快的优点。
附图说明
图1为本发明基于趋势一致性匹配的时间序列分类方法的计算流程图。
图2为利用本发明基于趋势一致性匹配的时间序列分类方法分段标识的分段示意图。
图3为本发明实施例1利用趋势一致性匹配的时间序列分类方法对2种beef时序进行分类后的结果图。
其中：在图3中：(a)代表beef时序1的结果图；(b)代表beef时序2的结果图，(c)beef时序3的结果图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
本发明所述基于趋势一致性匹配的时间序列分类方法应用在在食品安全的牛肉纯度检测领域，采用红外光谱法对纯牛肉和掺假物(心脏、猪肚、肾脏和肝脏)牛肉进行鉴别，结合光谱形成的时间序列数据，采用趋势一致性匹配的时间序列分类方法，可以提高纯牛肉和掺假样品的鉴别成功率，更好的确保食品安全；
参照附图1-3所示的基于趋势一致性匹配的时间序列分类方法的肉类检测方法，包括以下步骤：
S1.在利用红外光谱法对肉类进行检测时，首先获得光谱形成的无序时间序列数据，将无序时间序列数据分为长度和大小相同的训练时序和测试时序，并对训练时序进行类内距离分类计算，获得训练时序的类内弯曲距离最小的最优时序和相应的距离阈值；
所述的最优时序的获得过程包括：
S101.首先对同一类型的所有训练时序均进行时间弯曲距离的遍历计算；
S102.将每个时序与其它同类型的时序进行时间弯曲距离计算求和，距离和最小的时序是该类型的最优时序，具体过程为：
(1)时间序列弯曲距离求和计算：
其中：Dbase(s1,t1)为基距离，累加距离Ddtw(S,T)选择当前位置左方，下方及左下方三点中最小值加上当前点的基距离作为累加距离；
(2)进行弯曲距离结果排序,选择累加距离最小的时序为最优时序tyts：
其中：所述的距离阈值指最优时序与类内其它时序的距离均值，类内时序为训练时序内与该时间序列类型一致的时间序列。
S2.对S1得到的最优时序进行趋势化表示，所述的对最优时序进行趋势化表示的具体过程包括：
S201.依次连接最优时序进行的所有极值点，获得该最优时序的分段区间{Sk}，用分段PN代表时间序列{Sk}的上升或者下降，则：
其中：k,k+1代表时间序列{Sk}的不同分段，当PNk,k+1＝-1时，代表时间序列{Sk}某一分段下降，当PNk,k+1＝+1时，代表时间序列{Sk}某一分段上升；
S202.判断区间的上升或下降趋势，计算分段区间{Sk}的区间幅度KN与时序标准差的倍数关系，确定时序的趋势化表示结果,则：
KNk,k+1＝[(Sk+1-Sk)/v]
其中：v代表对于时间序列Si，平均值M，整个时序的标准差：标准差可以衡量数值自平均值分散的程度；在分段区间内，采用标准差对时序进行度量，判断区间趋势；如图2所示，G代表向上，B代表向下，Gi和Bi代表区间幅度达到标准差的i倍，3代表区间幅度达到标准差的3倍；
S3.计算测试时序与S1得到的最优时序之间的时间弯曲距离，并依据距离阈值对时序进行筛选，具体通过计算测试时序与最优时序的基距离，加上三个方向距离最小值，获得相应的累加距离作为最终弯曲距离的结果；将距离计算结果与最优时序相应的距离阈值进行比较，大于距离阈值，不属于最优时序所属类型，小于距离阈值，属于最优时序所属类型，进入备选集，获得时序备选集；
所述的时序备选集的获得过程包括：
S301.计算测试时序与最优时序的时间弯曲距离，所述时间序列弯曲距离计算为：
其中：其中：Dbase(s1,t1)为基距离，累加距离Ddtw(S,T)选择当前位置左方，下方及左下方三点中最小值加上当前点的基距离作为累加距离，获得相应的累加距离作为最终弯曲距离的结果Ddtw(S,T)；
S302.将时间弯曲距离计算结果与最优时序相应的距离阈值进行比较，大于距离阈值，不属于最优时序所属类型，小于距离阈值，属于最优时序所属类型，进入备选集。
S4.对S3得到的时序备选集内的时序进行趋势化表示，并与S2得到的最优时序趋势化表示结果进行一致性计算；
所述的一致性计算的具体过程包括：
S401.依次连接时序备选集内的时序的所有极值点EXTREM(a,b)，获得该备选集内的时序分段区间；
其中：EXTREM(a,b)＝S(sa,sb)，a和b代表连续的两个极值点；
S402.判断区间的上升或下降趋势，对分段区间的区间幅度与时序标准差的倍数关系KNa,b，确定时序的趋势化表示结果；
其中：KNa,b＝[(Sb-Sa)/v]，v代表对于时间序列Si，平均值M，整个时序的标准差：
S403.根据标准差的结果，减去步骤S202和步骤S402的趋势表示的结果中波动低于标准差的区间，进行一致性计算，即保留的区间计算方式为：
|sb-sa|＞v
其中：对于Feature特征标识需要依次计算最值标识和波动性：先计算最值标识，当count(max(Feature))＝count(max(Query))成立时，计算波动性标识volume(max(Feature))＝volume(Feature)；如果波动性标识也保持一致，测试时序和最优时序趋势具有趋势一致性。
S5.根据与多个类型最优时序匹配一致性计算结果，最终确定测试时序的类型；
所述的确定测试时序的类型的方法为：当出现时间序列符合多个类型时，按弯曲距离优先的原则进行确定类型，如：如果时序s和两类不同时序t1 t2的时间弯曲距离Ddtw(s,t1)和Ddtw(s,t2)都小于相应的距离阈值，其中距离较小值所代表的类型是最终的类型，即当Ddtw(s,t1)＜dtw(s,t2)时，
实施例1：
步骤一：选择长度为470，类型为5，个数为30的牛肉Beef数据库，按类型进行类内最优时序的弯曲距离间计算，获得最优时序，相应的类内距离阈值；
用于进行距离计算的时序等长，距离公式如下：
步骤二：对每个类型的时序进行趋势化表示，表示为特征标识Feature相应的形式；类型1最优时序的分段表示如表1所示：
表1：类型1最优时序的分段
| G1 | G1 | G2 | G2 | B3 | B1 |
步骤三：计算测试时序与每个类型最优时序的弯曲距离，并与距离阈值k比较，获得测试时序备选集；
TSb＝TSDTW<K
步骤四：对时序备选集内的时序进行趋势化表示，进行与最优时序趋势化表示结果的一致性计算；
对于Feature特征标识需要依次计算最值标识和波动性：
先计算最值标识，当count(max(Feature))＝count(max(Query))成立时，计算波动性标识volume(max(Feature))＝volume(Feature)。两者完全一致，测试时序和最优时序趋势具有趋势一致性；表中的最值标识一致，但波动性不一致，两个时序趋势不同，具体如表2所示；
表2：各beef时序趋势表
| 1 | G1 | G1 | G2 | G2 | B3 | B1 |
| 2 | G1 | G1 | G2 | G2 | B3 | B1 |
| 3 | B1 | G1 | G2 | G2 | B4 |
步骤五：根据与多个类型最优时序匹配一致性计算结果，最终确定测试时序的类型，通过表2和图3可以看出，beef时序1和beef时序2的趋势相同，beef时序3与beef时序1和beef时序2均不相同，可以判断，beef时序3存在掺假的可能。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于趋势一致性匹配的时间序列分类方法的肉类检测方法，其特征在于：包括以下步骤：
S1.在利用红外光谱法对肉类进行检测时，首先获得光谱形成的无序时间序列数据，将无序时间序列数据分为长度和大小相同的训练时序和测试时序，并对训练时序进行类内距离分类计算，获得训练时序的类内弯曲距离最小的最优时序和相应的距离阈值；
S2.对S1得到的最优时序进行趋势化表示；
步骤S2所述的对最优时序进行趋势化表示的具体过程包括：
S201.依次连接最优时序进行的所有极值点，获得该最优时序的分段区间{Sk}，用分段PN代表时间序列{Sk}的上升或者下降，则：
其中：k,k+1代表时间序列{Sk}的不同分段，当PNk,k+1＝-1时，代表时间序列{Sk}某一分段下降，当PNk,k+1＝+1时，代表时间序列{Sk}某一分段上升；
S202.判断区间的上升或下降趋势，计算分段区间{Sk}的区间幅度KN与时序标准差的倍数关系，确定时序的趋势化表示结果，则：
KNk,k+1＝[(Sk+1-Sk)/v]
其中：v代表对于时间序列Si，平均值M，整个时序的标准差：标准差可以衡量数值自平均值分散的程度；在分段区间内，采用标准差对时序进行度量，判断区间趋势；
S3.计算测试时序与S1得到的最优时序之间的时间弯曲距离，并依据距离阈值对时序进行筛选，获得时序备选集；
S4.对S3得到的时序备选集内的时序进行趋势化表示，并与S2得到的最优时序趋势化表示结果进行一致性计算；
步骤S4所述的一致性计算的具体过程包括：
S401.依次连接时序备选集内的时序的所有极值点EXTREM(a,b)，获得该备选集内的时序分段区间；
其中：EXTREM(a,b)＝S(sa,sb)，a和b代表连续的两个极值点；
S402.判断区间的上升或下降趋势，对分段区间的区间幅度与时序标准差的倍数关系KNa,b，确定时序的趋势化表示结果；
其中：KNa,b＝[(Sb-Sa)/v]，v代表对于时间序列Si，平均值M，整个时序的标准差：
S403.根据标准差的结果，减去步骤S202和步骤S402的趋势表示的结果中波动低于标准差的区间，进行一致性计算，即保留的区间计算方式为：
|sb-sa|＞v
其中：对于Feature特征标识需要依次计算最值标识和波动性：先计算最值标识，当count(max(Feature))＝count(max(Query))成立时，计算波动性标识volume(max(Feature))＝volume(Feature)；如果波动性标识也保持一致，测试时序和最优时序趋势具有趋势一致性；
S5.根据多个类型最优时序匹配一致性计算结果，最终确定测试时序的类型，与标准肉类时序类型进行比较，判断该肉是否掺假。
2.根据权利要求1所述的基于趋势一致性匹配的时间序列分类方法的肉类检测方法，其特征在于：步骤S1所述的最优时序的获得过程包括：
S101.首先对同一类型的所有训练时序均进行时间弯曲距离的遍历计算；
S102.将每个训练时序与其它同类型的时序进行时间弯曲距离计算求和，距离和最小的时序是该类型的最优时序，具体过程为：
(1)时间序列弯曲距离求和计算：
其中：Dbase(s1,t1)为基距离，累加距离Ddtw(S,T)选择当前位置左方，下方及左下方三点中最小值加上当前点的基距离作为累加距离；
(2)进行弯曲距离结果排序,选择累加距离最小的时序为最优时序tyts：
3.根据权利要求2所述的基于趋势一致性匹配的时间序列分类方法的肉类检测方法，其特征在于：步骤S1所述的距离阈值指最优时序与类内其它时序的距离均值，类内时序为训练时序内与该时间序列类型一致的时间序列。
4.根据权利要求1所述的基于趋势一致性匹配的时间序列分类方法的肉类检测方法，其特征在于：步骤S3所述的时序备选集的获得过程包括：
S301.计算测试时序与最优时序的时间弯曲距离，所述时间序列弯曲距离计算为：
其中：Dbase(s1,t1)为基距离，累加距离Ddtw(S,T)选择当前位置左方，下方及左下方三点中最小值加上当前点的基距离作为累加距离，获得相应的累加距离作为最终弯曲距离的结果Ddtw(S,T)；
S302.将时间弯曲距离计算结果与最优时序相应的距离阈值进行比较，大于距离阈值，不属于最优时序所属类型，小于距离阈值，属于最优时序所属类型，进入备选集。
5.根据权利要求1所述的基于趋势一致性匹配的时间序列分类方法的肉类检测方法，其特征在于：步骤S5所述的确定测试时序的类型的方法为：当出现时间序列符合多个类型时，按弯曲距离优先的原则进行确定类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814796.XA CN112035718B (zh) | 2020-08-13 | 2020-08-13 | 基于趋势一致性匹配的时间序列分类方法的肉类检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814796.XA CN112035718B (zh) | 2020-08-13 | 2020-08-13 | 基于趋势一致性匹配的时间序列分类方法的肉类检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112035718A CN112035718A (zh) | 2020-12-04 |
| CN112035718B true CN112035718B (zh) | 2023-07-21 |
Family
ID=73577232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010814796.XA Active CN112035718B (zh) | 2020-08-13 | 2020-08-13 | 基于趋势一致性匹配的时间序列分类方法的肉类检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112035718B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009070065A (ja) * | 2007-09-12 | 2009-04-02 | Nippon Telegr & Teleph Corp <Ntt> | トレンド検出方法、トレンド検出プログラムおよびトレンド検出装置 |
| CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
| CN104820673A (zh) * | 2015-03-27 | 2015-08-05 | 浙江大学 | 基于自适应性分段统计近似的时间序列相似性度量方法 |
| CN106777980A (zh) * | 2016-12-16 | 2017-05-31 | 重庆邮电大学 | 一种基于dtw的时间序列相似性预测方法 |
| CN108509990A (zh) * | 2018-03-29 | 2018-09-07 | 重庆大学 | 一种时序键值型工业过程数据并行分析方法 |
| CN109359135A (zh) * | 2018-09-04 | 2019-02-19 | 河海大学 | 一种基于分段权重的时间序列相似性搜索方法 |
| CN110197211A (zh) * | 2019-05-17 | 2019-09-03 | 河海大学 | 一种面向大坝安全监测数据的相似性数据聚类方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7369961B2 (en) * | 2005-03-31 | 2008-05-06 | International Business Machines Corporation | Systems and methods for structural clustering of time sequences |
| US10270642B2 (en) * | 2012-12-05 | 2019-04-23 | Origin Wireless, Inc. | Method, apparatus, and system for object tracking and navigation |
| US10248713B2 (en) * | 2016-11-30 | 2019-04-02 | Business Objects Software Ltd. | Time series analysis using a clustering based symbolic representation |
-
2020
- 2020-08-13 CN CN202010814796.XA patent/CN112035718B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009070065A (ja) * | 2007-09-12 | 2009-04-02 | Nippon Telegr & Teleph Corp <Ntt> | トレンド検出方法、トレンド検出プログラムおよびトレンド検出装置 |
| CN104820673A (zh) * | 2015-03-27 | 2015-08-05 | 浙江大学 | 基于自适应性分段统计近似的时间序列相似性度量方法 |
| CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
| CN106777980A (zh) * | 2016-12-16 | 2017-05-31 | 重庆邮电大学 | 一种基于dtw的时间序列相似性预测方法 |
| CN108509990A (zh) * | 2018-03-29 | 2018-09-07 | 重庆大学 | 一种时序键值型工业过程数据并行分析方法 |
| CN109359135A (zh) * | 2018-09-04 | 2019-02-19 | 河海大学 | 一种基于分段权重的时间序列相似性搜索方法 |
| CN110197211A (zh) * | 2019-05-17 | 2019-09-03 | 河海大学 | 一种面向大坝安全监测数据的相似性数据聚类方法 |
Non-Patent Citations (4)
| Title |
|---|
| A Hybrid Segmentation Method for Multi-variate Time Series Based on the Dynamic Factor Model;Sun Z等;《Stochastic Environmental Research and Risk Assessment》;第1291-1304页 * |
| Time-series clustering based on linear fuzzy information granules;Duan Lingzi等;《APPLIED SOFT COMPUTING 》;第1053-1067页 * |
| 基于LBHust距离的时间序列数据聚类;崔美玲;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-417 * |
| 时间序列相似性查询的研究与应用;刘杰;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-603 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112035718A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105760888B (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
| CN104794484B (zh) | 基于分段正交多项式分解的时序数据最近邻分类方法 | |
| CN102663447B (zh) | 基于判别相关分析的跨媒体检索方法 | |
| CN108304479B (zh) | 一种基于图结构过滤的快速密度聚类双层网络推荐方法 | |
| CN109359135B (zh) | 一种基于分段权重的时间序列相似性搜索方法 | |
| CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
| CN114067095B (zh) | 基于水尺字符检测识别的水位识别方法 | |
| Sebti et al. | A new word sense similarity measure in WordNet | |
| CN105868347A (zh) | 一种基于多步聚类的重名消歧方法 | |
| CN113640675B (zh) | 基于Snippets特征提取的航空锂电池异常检测方法 | |
| CN108241925A (zh) | 一种基于离群点检测的离散制造机械产品质量溯源方法 | |
| CN103729462B (zh) | 一种基于稀疏表示处理遮挡的行人检索方法 | |
| CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
| CN114398891B (zh) | 基于日志关键词生成kpi曲线并标记波段特征的方法 | |
| De Stefano et al. | Layout measures for writer identification in mediaeval documents | |
| CN112035718B (zh) | 基于趋势一致性匹配的时间序列分类方法的肉类检测方法 | |
| CN107818341A (zh) | 一种基于改进K‑means算法的颜色提取方法 | |
| CN117078960A (zh) | 一种基于图像特征提取的近红外光谱分析方法及*** | |
| CN110020686A (zh) | 一种基于群智感知传感数据的路面异常检测方法 | |
| CN108920475B (zh) | 一种短文本相似度计算方法 | |
| CN115392375A (zh) | 一种多源数据融合度智能评估方法及其*** | |
| Li et al. | A novel approach to remote sensing image retrieval with multi-feature VP-tree indexing and online feature selection | |
| CN109359678B (zh) | 一种白酒图谱的高精度分类识别算法 | |
| CN101710392B (zh) | 基于可变边界支持向量机的重要信息获取方法 | |
| Pantke et al. | On evaluation of segmentation-free word spotting approaches without hard decisions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |