一种用于时间序列分类的模糊概率表示学习方法

基于摘要分析。本文研究一般监督式时间序列分类，提出将概率加权模糊时间序列（PWFTS）的表示学习权重作为特征，再结合分类器完成分类，以探索原用于预测的 PWFTS 在分类任务中的用途。 机制上，模糊时间序列（FTS）用于提取时间模式与转移规则，PWFTS 则利用经验概率建立时间序列模型。本文的关键是把所学权重用作分类表示，而不是直接输出预测值。该方法依赖时间序列中的时序转移结构，并在分类阶段使用类别监督；模糊划分、规则阶数、权重维度、不同长度序列的处理方式及多变量扩展均尚未验证。 作者报告，在 UCR TSC archive 的 24 个数据集上，将该方法与 fuzzy cognitive maps、Rocket、TS2Vec 比较，并结合 random forest 和 support vector machine 评估分类 Accuracy 与特征计算耗时。作者报告其 Accuracy 与对照方法相近，PWFTS 特征计算耗时比其他方法低二至五个数量级。该结论限于摘要所述评估，不代表端到端训练或推理均有同等加速；具体数据集、划分、各项分数、硬件与计时边界，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 PWFTS 权重能稳定概括 EEG 的局部时序转移，它可能为算力受限的 EEG 分类提供轻量特征。可复用部分是规则权重提取与下游分类器接口，需改造或核对多通道融合、幅值归一化及模糊划分策略。低信噪比、跨被试幅值差异、通道变化和小数据下经验概率估计不稳，都可能削弱表示效果。一个可检验的小实验是在固定 EEG 任务和相同 Cross-subject 划分下，比较 PWFTS 与 Rocket 特征搭配同一分类器的 Accuracy 和特征提取耗时，并仅在训练数据内确定预处理及特征参数。已有 EEG 相关工作尚未检索确认。