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！

龙图腾网获悉中国人民解放军空军工程大学申请的专利一种基于全局-局部散度的多元时间序列无监督降维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：CN116401528B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202310278160.1，技术领域涉及：G06F18/213；该发明授权一种基于全局-局部散度的多元时间序列无监督降维方法是由李正欣;胡钢;刘嘉;吴虎胜;吴丹阳;刘斌;周漩;杨波;吴诗辉设计研发完成，并于2023-03-21向国家知识产权局提交的专利申请。

本一种基于全局-局部散度的多元时间序列无监督降维方法在说明书摘要公布了：本发明公开了一种基于全局‑局部散度的多元时间序列无监督降维方法，其包括以下步骤：S1、计算多元时间序列的协方差矩阵,提取协方差矩阵的上三角元素,将其组合为特征序列，得到多元时间序列的特征集Fea＝{fii|i＝1,2,…,n}；S2、使用k近邻和欧氏距离EuclidDistance，ED度量针对特征集建立邻域集合Nkkfii＝{fjj|j＝1,2,…,k}；S3、在找到每个样本点的邻域后，计算特征集中每个特征序列fii的邻域中心序列mii；S4、用投影后样本点的邻域方差表征局部散度.先计算投影后每个样本点邻域集合的方差，再对这些方差累加求和，得到局部散度；S5、根据步骤S3中得到的领域中心点，计算领域中心点的方差得到全局方差。最终通过实验结果表明本方法获得的低维投影序列可代表原始MTS，实现了较为明显的降维。

本发明授权一种基于全局-局部散度的多元时间序列无监督降维方法在权利要求书中公布了：1.一种基于全局-局部散度的多元时间序列无监督降维方法，其特征在于，包括以下步骤： S1：通过传感器获取故障监测数据，将获取的故障监测数据多元时间序列组成多元时间序列原始数据集，分别计算数据集中每个多元时间序列的协方差矩阵，提取协方差矩阵的上三角元素，将其组合为特征序列；并将所有特征序列构成特征序列集，且每一个特征序列的长度相同； S2：基于得到的特征序列集，使用近邻数和欧氏距离进行度量建立特征序列集中每个样本邻域集合； S3：根据步骤S2得到的邻域集合，计算特征集中每个邻域集合的邻域中心序列； S4：根据步骤S2得到的邻域集合，计算待投影后的样本点每个邻域集合的方差，再对这些方差累加求和，计算局部散度； S5：根据步骤S3中得到的邻域中心点，计算邻域全局方差，得到全局散度； S6：根据步骤S4和S5中得到的局部散度和全局散度，求解投影矩阵； S7：根据步骤S6中得到的投影矩阵，对步骤S1中得到的特征序列集进行投影，从而得到降维特征序列： 6； S8：根据降维特征序列，得到故障监测数据的降维特征集，其中，； S9：对降维后的故障监测数据进行处理，得到故障监测结果； 其中，步骤1的具体操作步骤包括： S11：将获取的故障监测数据多元时间序列，组成多元时间序列原始数据集，其中为样本个数，表示原始数据集中第个MTS样本，表示第个变量的一系列观测值，为变量数，是第个多元时间序列的时间长度；并对每个多元时间序列进行零均值化处理：； S12：对每个零均值化处理后的多元时间序列进行协方差矩阵计算，且第个MTS的协方差矩阵为： 7； S13：将协方差矩阵的上三角阵元素进行提取，并按顺序组成行向量： 8 将作为第个MTS的特征序列，得到多元时间序列的特征集； 步骤S3中计算邻域中心序列的计算公式为： 1 其中，为近邻数，为与其个近邻点的邻域中心序列； 并且，S4的具体步骤包括： S41：基于所述邻域集合，计算投影后样本点每个邻域集合的方差，并对这些方差累加求和，得到局部散度计算公式： 2 其中，为邻域中心点的低维投影；是指样本点的低维投影，W为投影矩阵，下标L为英文Local的缩写； S42：对式2进行变换可得： 9 其中，，为第个特征序列的局部散度矩阵： 10； S5的具体步骤包括： S51：根据邻域中心序列中的邻域中心点，计算邻域全局方差，得到全局散度计算公式： 3 其中，为邻域中心点的低维投影；下标G为英文Global的缩写； S52：对式3进行变换可得： 11 其中，为全局散度矩阵： 12； S53：对式12进行化简，可得： 13 其中，为所有邻域中心的中心点，即全局邻域中心。

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中国人民解放军空军工程大学，其通讯地址为：710051 陕西省西安市长乐东路甲字1号；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。