基于Mixup数据增强的LSTM-FCN时间序列分类

摘要

在时间序列分类任务中,针对时间序列数据少和多样性导致深度学习模型准确率不高的问题,提出Mixup数据增强的长短期记忆网络–全卷积网络(LSTM-FCN)时间序列分类算法。该算法首先使用Mixup对原始数据进行数据增强,通过简单的线性插值对时序数据进行混合,得到新的混合之后的增强数据;然后使用增强数据训练LSTM-FCN,并进行分类。在30个UCRArchive2018数据集上的实验结果表明,使用Mixup数据增强的LSTM-FCN在26数据集上取得了比LSTM-FCN好的分类准确率,最高提高了4.79%。实验结果说明了本文方法可以提高深度学习模型的分类准确率。