监督对比学习网络模型训练多元时序数据分类方法及系统
摘要文本
本发明提出一种监督对比学习网络模型训练多元时序数据分类方法及系统，该方法为：获取目标人体行为的多元时序数据，将多元时序数据分为训练数据集和测试数据集；将训练数据集输入双流编码层提取多尺度局部‑全局特征；再将多尺度局部‑全局特征分输入对比学习层和分类网络层，得到综合对比损失和分类损失；根据综合对比损失和分类损失计算总体损失，将总体损失输入监督对比学习网络模型进行优化，得到优化后的模型；将测试数据集输入优化后模型中，得到每个测试数据对应的最终分类结果。本发明能够有效提取多尺度局部‑全局特征和充分利用标签信息，提高了关于人体行为的多元时序数据分类结果的准确率。
申请人信息
- 申请人:江西师范大学
- 申请人地址:330000 江西省南昌市高新技术开发区紫阳大道99号
- 发明人: 江西师范大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 监督对比学习网络模型训练多元时序数据分类方法及系统 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311708692.0 |
| 申请日 | 2023/12/13 |
| 公告号 | CN117407772B |
| 公开日 | 2024/3/26 |
| IPC主分类号 | G06F18/241 |
| 权利人 | 江西师范大学 |
| 发明人 | 易玉根; 刘敏; 盛绘; 张宁毅; 代江艳 |
| 地址 | 江西省南昌市紫阳大道99号 |
专利主权项内容
1.监督对比学习网络模型训练多元时序数据分类方法，其特征在于，应用于人体行为分析，所述监督对比学习网络模型包括双流编码层、对比学习层和分类网络层，所述双流编码层包括注意力门控循环子层和双层多尺度卷积神经网络子层，所述方法包括：通过传感器获取目标人体行为的多元时序数据；将所述多元时序数据分为训练数据集和测试数据集；通过所述注意力门控循环子层，从所述训练数据集中提取多元时序数据的人体行为模式信息和长期依赖信息；并通过所述双层多尺度卷积神经网络子层，从所述训练数据集中提取多元时序数据的多尺度特征信息；再将所述人体行为模式信息和长期依赖信息与所述多尺度特征信息进行特征融合，得到多元时序数据的多尺度局部-全局特征信息；将所述多尺度局部-全局特征输入所述对比学习层，以得到综合对比损失；并将所述多尺度局部-全局特征输入所述分类网络层，以得到分类损失；根据所述综合对比损失和所述分类损失计算所述监督对比学习网络模型的总体损失；将所述总体损失反向传播给所述监督对比学习网络模型，进行优化迭代，以得到优化后的监督对比学习网络模型；将所述测试数据集输入所述优化后的监督对比学习网络模型中，得到每个测试数据对应的概率向量，从所述概率向量中选取最大概率值所对应的预测分类作为最终分类结果。 关注公众号马 克 数 据 网