Time series classification through heterogeneous feature selection

Журнал: 
Страница: 
16
УДК: 
681.3: 519.68
В работе предлагается и исследуется общий метод решения задачи классификации временных рядов. По временным рядам вычисляются несколько наборов признаков, таких как статистические моменты, коэффициенты разложения по принципиальным компонентам, коэффициенты разложения по вейвлетам, коэффициенты разложения по полиномам Чебышева и другие, далее из этого множества алгоритмом Particle Filtering выбираются важные с точки зрения задачи признаки и на них строится классификационная модель на основе ансамбля деревьев решений GBT, Результаты, полученные на публично доступных данных из базы UCR, показывают, что предло­женный подход во многих случаях позволяет достичь более точной классификации, чем известные современные методы.
info_eng: 
The paper investigates a generic method of time series classification. A heterogeneous set of features is extracted from each signal, including statistical moments, wavelets, Chebyshev polynomials, PCA, and DTW-based features. An ensemble of boosted trees is learned on a subset of this set of features. Particle filtering is used to choose a good feature subset and parameters of the learning engine based on cross-validation error.