一种用于时间序列分类的模糊概率表征学习方法

基于摘要分析。本文研究通用时间序列分类，而非专门的 EEG 或 BCI 任务；核心贡献是将原用于预测的 Probabilistic Weighted Fuzzy Time Series（PWFTS）方法用于表征学习，把其学习到的权重作为特征，交由分类器完成监督分类。 机制上，Fuzzy Time Series（FTS）用于提取时间模式与转移规则，PWFTS 进一步利用经验概率建立时间序列模型。本文复用这些建模权重作为紧凑表征，区别于仅将 PWFTS 用于未来值预测。摘要未说明模糊划分、权重构造、表征维度，以及如何处理不同长度的序列，相关实现细节尚未验证。 作者报告，在 UCR TSC archive 的 24 个数据集上，将该方法与 fuzzy cognitive maps、Rocket 和 TS2Vec 比较，并结合 random forest 与 support vector machine 进行分类，评估分类准确率及特征计算耗时。作者报告，所提方法的准确率与其他方法相近，PWFTS 特征计算耗时低二至五个数量级。该结果不能直接理解为端到端训练或推理加速；具体数据集、数据划分、硬件、计时边界、逐数据集结果、消融及统计信息尚未验证。 平台推测（待验证）：若 PWFTS 权重能在噪声下稳定刻画 EEG 的时序转移结构，其低计算开销可能适合资源受限的分类场景。可复用的是转移权重表征与后接分类器的流程；需要改造或验证的是多通道信息融合、幅值归一化及分段方式。低信噪比、跨被试分布变化和小样本下不稳定的经验概率估计，都可能削弱该表征。一个可证伪的小实验是在固定的 EEG 被试内划分上，仅用训练集确定预处理与模糊划分，对照 PWFTS、Rocket 和 TS2Vec，并统一分类器与硬件，同时记录 Accuracy 和特征计算耗时。已有 EEG 相关工作尚未检索确认。