基于时间序列的混合神经网络数据融合算法

• 作者: 张巧灵 高淑萍 何迪 程孟菲
• 来源期刊: 应用数学和力学
• 学科: 工学
• 关键词: 数据融合 时间序列 奇异谱分析 混合神经网络 特征提取
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 应用数学
• 页码范围: 82-91
• 页数: 10页
• 分类号: TP391|TP181
• 语种: 中文
• DOI: 10.21656/1000-0887.410056

摘要

针对传统的数据融合算法对高噪声、大规模、数据结构复杂的时间序列数据融合性能较差的问题,该文提出了一种混合神经网络的数据融合算法(即SCLG算法).SCLG算法的思想如下:首先利用奇异谱分析算法对数据分解重构以达到去噪的目的;其次,通过深层卷积神经网络提取数据的空间特征和短期时间特征;然后,利用长短期记忆(LSTM)网络和门控循环单元(GRU)网络双层网络,进一步深度提取了数据时间维度上的特征;最后,利用全连接网络,综合主要信息输出最终的决策.通过SP&500和AQI数据集上的实验结果表明,该算法在融合性能及稳定性方面均优于DCNN、CNN-LSTM、FDL数据融合算法.