1.DBA( DTW Barycentric Averaging):基于加权形式的DTW中心平均技术,通过改变权重,可以从给定的一组时间序列创建无穷多个新的时间序列。作者在3种加权方法中采用了一种叫做平均选择法的加权方法
- 从训练集中随机选取一个初始时间序列,赋予它0.5的权重,这个随机选择的时间序列将作为DBA的初始化时间序列
- 根据DTW距离,找到DBA初始化时间序列的最近的5个时间序列
- 从5个最近邻中随机选择两个,分被赋予0.15的权重
- 为使总的权重为1,此时剩余权重为1-0.5-0.15*2=0.2,将剩下的序列平均分配这0.2的权重
最后使用两个集成的ResNet网络(有数据增强和无数据增强),计算两个分类器输出每个类的后验概率求平均值,为每个时间序列分配平均概率最大的标签
参考:《Data augmentation using synthetic data for time series classification with deep residual networks》
代码: https://github.com/hfawaz/aaltd18
2.WS(window slicing)and WW(window warping)
- WS:移动窗口法:设定窗口大小(文章将切片大小设为原始片段长度的90%),从时间序列中提取窗口大小的切片,并赋予与原始时间序列相同的标签
- WW:对时间序列中的部分片段(文章将切片大小设为原始片段长度的10%)进行拉伸或压缩,这会使时间序列的长度不同,然后使用窗口切片法将时间序列统