买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利一种基于全局和局部信息联合的时序数据分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115049012B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210773608.2，技术领域涉及：G06F18/2415；该发明授权一种基于全局和局部信息联合的时序数据分类方法是由薛梦凡;江浩东;郑建楠;宋怡然;贾士绅;陈怡达设计研发完成，并于2022-07-01向国家知识产权局提交的专利申请。

本一种基于全局和局部信息联合的时序数据分类方法在说明书摘要公布了：本发明公开了一种基于全局和局部信息联合的时序数据分类方法。该方法首先通过强化学习的方式从每个时期中选择信息量最丰富的数据，合并成输入样本。然后建立局部信息模块和全局信息模块，并加入ResNet18网络中原有的残差块中，从而实现对时序数据同时期的特征提取与不同时期的特征交互，最终完成对时序信息的分类。本方法采用局部信息模块，能够加强样本本身在时间上的联系，全局信息模块可以加强该时序数据在不同时间上的交互。相对于一般的3D卷积网络，减少了计算量，提高分类的效率和精确度，对于具有时序关系的数据分类任务，有一定的参考价值。

本发明授权一种基于全局和局部信息联合的时序数据分类方法在权利要求书中公布了：1.一种基于全局和局部信息联合的时序信息分类方法，其特征在于：具体包括以下步骤： 步骤一、针对一个采样对象采集一段连续的时序数据，然后分割成相同长度作为一个样本；采集来自多个采样对象的样本，将样本的类别作为标签，组成样本—标签一一对应的数据集；所述时序数据为视频图像、音频文件、脑电数据或增强CT图像； 步骤二、将步骤一得到的样本数据调整至统一大小，然后进行随机旋转或翻转的数据增强操作得到输入样本； 步骤三、使用局部信息模块对输入样本的局部特征进行激励，具体步骤为： s3.1、采用1×1的2D卷积核减少特征通道以提高效率，得到通道减少后的特征Xr： Xr＝convred*Xri                          1其中，表示通道减少后的特征，表示局部信息模块的输入特征，N表示输入样本的批次大小，T表示输入样本的数据量，Cri表示该输入特征的通道，Hri和Wri分别表示该特征的长和宽，convred表示通道压缩率为red、卷积核大小为1×1的2D卷积； s3.2、对特征进行通道级变换，利用变换后的特征计算不同数据之间的差异信息XL： XL＝convtrans*Xrt+1‑Xrt+convtrans*Xrt‑Xrt‑1  1≤t≤T‑1 2其中，convtrans表示卷积核大小为3×3的2D，s3.3、通过全局平均池化层Pool，获取空间信息XAvg： XAvg＝PoolXL                           3其中，s3.4、利用卷积核大小为1×1的2D卷积，将空间信息XAvg的通道维度扩展到与输入特征相同的通道维度，并通过Sigmoid函数得到权重值A： A＝Sigmoidconvex*XAvg                      4其中convex表示卷积核大小为1×1的2D卷积； s3.5、将局部信息模块的输入特征Xri与Sigmoid函数得到的权重值A相乘，抑制无用信息，并采用残差链接来增强三维信息，最后得到三维信息特征XLocal： XLocal＝Xri+A⊙Xri                         5其中，⊙表示矩阵元素点乘操作； 步骤四、使用全局信息模块，加强三维信息特征XLocal不同时期间的联系，具体步骤如下： s4.1、按照通道顺序将三维信息特征XLocal分为八个特征部分，XLocal＝[X1,X2,…,X8]，其中s4.2、将X1、X3在时间维度上后移，X2在时间维度上前移；对于移动后偏离原本时间维度的特征信息，将其填补到当前特征部分空缺的位置； s4.3将移动变化后的特征部分重组，得到全局信息特征步骤五、使用步骤三、四所述的局部信息模块、全局信息模块，加入到ResNet18的残差块中，建立学习模型进行数据处理，具体步骤如下： s5.1、将输入样本X∈RN×T×H×W×C输入卷积核大小为7×7、步长为2、输入通道数为1、输出通道数为64的卷积核Conv1中，得到X1： X1＝Conv1*X                            6其中H1和W1表示经过第一个卷积核后的长和宽；HxW表示输入样本大小，C表示通道数量； s5.2、将X1输入大小为3×3、步长为2的最大池化层maxpool中，得到Xmax： Xmax＝maxpool*X1                         7其中Hm和Wm表示经过最大池化层后的长和宽； s5.3、Xmax依次经过四个残差层，每个残差层包括相同的残差块，每个残差块首先通过局部信息模块、全局信息模块和两个卷积核大小为3x3的卷积模块进行特征提取，然后再将提取得到的数据与输入数据进行相加；四个残差层的输出通道数依次为64、128、256和512； 最后在第四个残差层的输出得到H6和W6表示经过第四个残差层后的特征数据的长和宽； s5.4、将XRes_4依次输入平均池化层和全连接层，得到分类结果Probout： Probout＝FCPoolXRes_4                        8其中Probout∈RN×k，k表示标签种类，FC表示全连接层； 步骤六、通过步骤五对步骤一得到的数据集样本进行分类，将得到的分类结果输入Softmax层，得到分类标签与样本的真实标签y对比，计算交叉熵损失Loss： 然后使用随机梯度下降算法对步骤五中的学习模型进行优化； 步骤七、将步骤六优化后的学习模型作为时序数据分类模型，采集增强CT图像或视频图像，经过预处理后输入时序分类模型中，实现基于图像的目标分类；或采集音频文件，经过预处理后输入时序分类模型中，实现基于语音的情绪分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。