دانلود مقاله ترجمه شده رده بندی سری زمانی با مدل ترکیبی گاوس – مجله IEEE

• بخشی از ترجمه:

چکیده
روش جدید از طبقه بندی جدید سیگنال ارائه شده که بر مبنای مدل سازی دینامیک سیستم بوده که در فضای مراحل بازسازی مورد محاسبه قرار می گیرد. این مدل سازی ها با استفاده از مدل ترکیبی کوواریانس گاوس در ارتباط با حوزه زمانی در مقایسه با تحقیقات های حال حاضر و گذشته در طبقه بندی سیگنال ها انجام می گیرد که معمولا تمرکز آن بر روی تحلیل سیستم های خطی با استفاده از مقدار بسامد یا مدل های یادگیری ماشینی غیر خطی ساده همانند شبکه های عصبی مصنوعی می باشد. روش مطرح شده دارای پایه نظری قوی بر مبنای سیستم های دینامیکی و قضایای توپولوژی می باشند که منجر به بازسازی سیگنال شده که با در نظر گرفتن پارامترهای انتخابی مناسب، به طور جانبی نماینده سیستم زیرین می باشد. این الگوریتم ها به طور اتوماتیک این پارامترها را محاسبه کرده تا فضاهای مراحل بازسازی شده را بازسازی را شکل داده وتنها نیازمند تعدادی از آمیزه ها، سیگنال ها و تیکت دسته ها به عنوان توان ورودی می باشد. سه مجموعه داده مجزا برای تایید مورد استفاده قرار می گیرند که شامل شبیه سازی چریان موتوری، دستگاه ثبت ضربان قلب و شکل امواج گفتار می باشد. نتایج نشان می دهد که روش های مطرح شده در حوزه های مختلف اثرگذار بوده و به طور قابل توجهی در مسسیر شبکه های عصبی بر مبنای وقفه زمانی بکار گرفته شده که به عنوان مبنا می باشد.

١. مقدمه
اکثر فعالیت ها در ارتباط با طبقه بندی و تعیین سیگنال ها بر مبنای تجزیه و تحلیل سیستم های خطی می باشد و از ویژگی هایی براساس ارائه بسامدها استفاده می کنند. همچنین فعالیت های گسترده ای بر مبنای آشکار کردن سیگنال ها و طبقه بندی آن ها در حوزه ارتباطی وجود دارد که بر مبنای نظریات آماری می باشد. گزینه های مربوط به این روش ها شامل طبقه بندی های غیر خطی همانند شبکه های عصبی و یا دستگاه های حامی بردارها و همچنین تکنیک های طبقه بندی شده و مشابه در ارتباط با سری های اطلاعاتی جدید می باشد.

• بخشی از مقاله انگلیسی:

Abstract

A new signal classification approach is presented that is based upon modeling the dynamics of a system as they are captured in a reconstructed phase space. The modeling is done using full covariance Gaussian Mixture Models of time domain signatures, in contrast with current and previous work in signal classification that is typically focused on either linear systems analysis using frequency content or simple nonlinear machine learning models such as artificial neural networks. The proposed approach has strong theoretical foundations based on dynamical systems and topological theorems, resulting in a signal reconstruction, which is asymptotically guaranteed to be a complete representation of the underlying system, given properly chosen parameters. The algorithm automatically calculates these parameters to form appropriate reconstructed phase spaces, requiring only the number of mixtures, the signals, and their class labels as input. Three separate data sets are used for validation, including motor current simulations, electrocardiogram recordings, and speech waveforms. The results show that the proposed method is robust across these diverse domains, significantly outperforming the time delay neural network used as a baseline.

INTRODUCTION MOST

work in signal classification or identification is based on linear systems analysis, using features based on a frequency domain representation. There is also extensive work on signal detection and classification in the field of communications, based on statistical decision theory [1]. Alternatives to these established approaches include nonlinear classifiers such as neural networks or support vector machines, as well as clustering and similarity measurement techniques from the relatively new field of timeseries data mining [2]. Many existing time-domain approaches to the task of signal classification are based on the existence of a fairly simple underlying pattern, or template, that is either known a priori or can be learned from the data. In the case of real signals with complex underlying systems, such as cardiac, speech, or electric motor systems, such a simple pattern rarely exists. Frequency-based techniques are based on the existence of spectral patterns, which from a random processes perspective capture only the first and second order characteristics of the system.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله