公开(公告)号：CN112348068B

公开(公告)日：2024-07-02

申请号：CN202011172267.0

申请日：2020-10-28

Applicant: 东南大学

Inventor： 何洁月 ,  徐周

IPC: G06F18/23213 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供一种基于降噪编码器和注意力机制的时序数据聚类方法，以无监督的方式实现对无标签数据的聚类，依次包括以下步骤：步骤1：在原始的时间序列中加入噪声数据；步骤2：将注意力机制加入到LSTM中；步骤3：采用K‑means方法初始化模型；步骤4：采用Adam优化方法联合优化降噪自编码器的重构损失与KL散度损失；迭代优化编码器重构损失和聚类损失以得到训练的最佳模型。通过基于深度降噪自编码器，解决了时序数据聚类对噪声敏感的问题，通过引入注意力机制提高了聚类效果。

公开(公告)号：CN112348068A

公开(公告)日：2021-02-09

申请号：CN202011172267.0

申请日：2020-10-28

Applicant: 东南大学

Inventor： 何洁月 ,  徐周

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于降噪编码器和注意力机制的时序数据聚类方法，以无监督的方式实现对无标签数据的聚类，依次包括以下步骤：步骤1：在原始的时间序列中加入噪声数据；步骤2：将注意力机制加入到LSTM中；步骤3：采用K‑means方法初始化模型；步骤4：采用Adam优化方法联合优化降噪自编码器的重构损失与KL散度损失；迭代优化编码器重构损失和聚类损失以得到训练的最佳模型。通过基于深度降噪自编码器，解决了时序数据聚类对噪声敏感的问题，通过引入注意力机制提高了聚类效果。