一种优化VMD的多尺度深度森林时序分类方法

摘要

为解决深度森林模型在处理复杂时间序列分类时难以充分捕捉非平稳数据的动态变化，以及多粒度扫描生成的高维数据增加冗余信息的问题，提出了一种基于优化VMD的多尺度深度森林方法。利用VMD对复杂时间序列进行分解，并引入SMA优化VMD中的参数，从而更精准地提取多尺度信息；采用t-SNE技术对多粒度扫描后的特征数据进行降维，减少冗余特征；将降维后的数据输入到级联森林中进行分类，输出分类结果。在6个UCR公开数据集上与多种算法(如MLP、LA-ESN和DF21)进行对比，结果表明，所提算法具有较强的分类能力，为时间序列分类领域提供了新思路。

关键词

时间序列分类 / 深度森林 / VMD / t-SNE / 智能优化算法

基金资助

国家自然科学基金项目(61774137); 山西省基础研究计划项目(202103021224195,202103021224212,202103021223189,20210302123019); 山西省回国留学人员科研项目(2021-108)