异构并发时序数据的隐式关联分析技术

时间:2020-10-19浏览:59

    在智能系统中,存在多种多样的传感器,实现对于外部世界的持续感知。众多异构传感器形成了强并发高密度的连续感知数据,对智能感知系统在存储、计算和能耗等方面形成了巨大的挑战。为了实现高效能、可扩展的持续感知方法,课题研究异构并发时序数据的隐式关联挖掘方法,提出了基于卷积时序神经网络的关联分析方法,借助于卷积时序网络的长期关联学习能力,实现对于并发数据流隐式关联的挖掘分析。

 

    在时序卷积神经网络中,课题利用因果卷积构建当前状态与历史状态的关联表示;利用膨胀卷积和残差连接构建更深的网络架构,增大数据表示的接收域。为了刻画并发数据流之间的隐式关联,模型中引入了注意力机制,学习多个并发数据通道之间的隐式依赖关系。我们将该模型应用于手机的各种传感器状态分析中,实现对于手机中异构传感器关系的动态刻画。

 

该成果目前已被IEEE ICDM 2020国际会议录用。IEEE ICDMCCF B类会议。