基于泛函回声状态网络的时间序列分类

摘要：泛函回声状态网络（Functional Echo State Network，FESN）能够对时间序列分类问题，具有分类效果好的优势。基于实时监测的结构状态分析问题，是典型的多变量、大数据集的时间序列分类问题，于是本文将泛函回声状态网络扩展至结构状态分析领域。利用Bookshelf框架模型试验，验证了FESN方法在结构损伤识别准确率方面的优势。

关键词：泛函回声状态网络;时间序列;遗传算法;损伤识别

中图分类号：

1 引言

泛函回声状态网络（FESN）是已经成功应用于单变量时间序列分类的一种方法。FESN的工作就是将频率分析方法加进了回声状态网络[1]（ESN）中，作为一种回声状态网络在时间序列分类的问题上研究探索。在公开的UCR数据集上，FESN分类方法不错，但未应用在多变量时间序列分类的问题上，这就值得继续探索。对于实时监测的结构状态数据，是典型的多变量时间序列分类问题，于是本研究把每一时刻的所有传感器的实时监测结构状态数据作为一次输入，依据周期进行切分，形成若干条时间序列数据，最后用FESN对其进行分类。

2 FESN的分类方法

2.1 FESN的分类原理

ESN作为一种新型的递归神经网络[2]（Recurrent Neural Network，RNN），可以有效的处理时间序列的时间依赖性，且具有较高的非线性映射能力和动态记忆。FESN作为一种新的ESN方法，其相较于ESN，主要是在输出层引入了时空聚合算子[3]。FESN的网络结构如图1，主要由输入层，储备池，输出层组成，其核心结构是一个随机生成的、大规模的、稀疏的且保持不变的储备池。FESN的基本思想是在输出层引入了时空聚合算子，用随时间变化的动态权值替代ESN中的静态权值，对时变输入信号先进行时间加权聚合，然后再考虑这些时间累积效应的空间聚合作用，最后将其结果投射为离散的类标签[4]。

准确率公式为：准确率=1-错误率，传统的SVM损失识别方法对于Bookshelf框架结构的准确率为58.42%，LSTM损失识别方法对于Bookshelf框架结构的准确率为84.63%，由结构损伤识别方法性能对比实验结果可知，传统的SVM损伤识别方法的准确率最低，FESN模型的结构损伤识别方法的准确率最高。基于FESN的结构损伤识别模型相较于基于SVM的结构损伤识别方法在准确率评价指标上提升了40%。

4 结语

综上所述，本研究基于FESN模型进行结构损伤识别，并在公开数据集Bookself进行了实验，与传统SVM方法以及LSTM方法进行了对比，实验结果表明，FESN损伤识别方法的准确率最高。

参考文献：

[1]Partha Pratim Barman， Abhijit Boruah. A RNN based Approach for next word prediction in Assamese Phonetic Transcription[J]. Procedia Computer Science，2018，143.

[2]Jaeger， H. Harnessing Nonlinearity： Predicting Chaotic Systems and Saving Energy in Wireless Communication[J]. Science， 2004， 304（5667）：78-80.

[3]Ma Q， Shen L， Chen W， et al. Functional Echo State Network for Time Series Classification[J]. Information Sciences， 2016， 373：1-20.

[4]Jiang M ， Liang Y ， Feng X ， et al. Text classification based on deep belief network and softmax regression[J]. Neural Computing and Applications， 2016.

[5]Wu J， Jin L， Liu M. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm[J]. Neurocomputing， 2015， 148（2）：136-142.

基金項目：校级技术创新专项课题“基于联合神经网络的结构损伤识别”阶段性成果（CQRKZX2020003）

作者简介：何盈盈（1994年8月），女，重庆市涪陵区，硕士，无，研究方向：结构健康监测及人工智能。