Time Series Classification using Fuzzy Cognitive Maps

Władysław Homenda , Agnieszka Jastrzębska

Abstract

This paper presents a time-series classification method based on fuzzy cognitive maps. We advocate that fuzzy cognitive maps provide a sound representation of time series, and we can construct a classification mechanism based on them. The classifier has to distinguish maps constructed for time series belonging to different classes. The proposed classification procedure evaluates similarity of fuzzy cognitive maps, and it is done by comparing weight matrices based on the same set of concepts. A weight matrix describes relationships between concepts in a map. Concepts represent the underlying data, because they are extracted via a data-driven clustering procedure. Each data point of a time series is related to each concept, and we evaluate the strength of relationships with a membership function. This paper investigates performance of the proposed approach on a suite of real-world datasets. We compare classification accuracy of our method with 37 state-of-the-art time-series classification methods. Experiments show that the proposed method is performing well. In many cases, it is better than its competitors.
Author Władysław Homenda (FMIS / DSMKP)
Władysław Homenda,,
- Department of Structural Methods for Knowledge Processing
, Agnieszka Jastrzębska (FMIS / DSMKP)
Agnieszka Jastrzębska,,
- Department of Structural Methods for Knowledge Processing
Journal seriesIEEE Transactions on Fuzzy Systems, ISSN 1063-6706, e-ISSN 1941-0034
Issue year2020
Vol28
No7
Pages1383 - 1394
Publication size in sheets0.3
Keywords in Polishgłębokie uczenie, rozmyte mapy kognitywne, model rozmyty, klasyfikacja szeregów czasowych
Keywords in Englishdeep learning, fuzzy cognitive maps (FCMs), fuzzy models, time-series classification
ASJC Classification1702 Artificial Intelligence; 1703 Computational Theory and Mathematics; 2207 Control and Systems Engineering; 2604 Applied Mathematics
Abstract in PolishW pracy przedstawiono metodę klasyfikacji szeregów czasowych opartą o rozmyte mapy kognitywne. W pracy wskazujemy, że rozmyte mapy kognitywne poprawnie reprezentują szeregi czasowe i na ich podstawie możemy zbudować mechanizm klasyfikacji szeregów czasowych. Klasyfikator ten rozróżnia mapy zbudowane dla szeregów czasowych należących do odmiennych klas. Proponowana procedura klasyfikacji polega na ocenie podobieństwa rozmytych map kognitywnych i odbywa się poprzez porównanie macierzy wag budowanych w oparciu o ten sam zestaw pojęć. Macierz wag opisuje zależności między pojęciami w mapie. Pojęcia reprezentują dane surowe i są wyodrębniane za pomocą procedury klastrowania. Każdy punkt danych szeregu czasowego jest powiązany z każdym pojęciem przez funkcję przynależności. W artykule opisujemy efektywność proponowanego podejścia w studium empirycznym analizy rzeczywistych zestawów danych. Porównujemy dokładność klasyfikacji naszej metody z 37 wiodącymi metodami klasyfikacji szeregów czasowych. Eksperymenty pokazują, że proponowana metoda działa dobrze. W części przypadków jest lepsza niż jej konkurenci.
DOIDOI:10.1109/TFUZZ.2019.2917126
URL https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8715465
Languageen angielski
Score (nominal)200
Score sourcejournalList
ScoreMinisterial score = 200.0, 08-07-2020, ArticleFromJournal
Publication indicators Scopus SNIP (Source Normalised Impact per Paper): 2018 = 3.314; WoS Impact Factor: 2018 = 8.759 (2) - 2018=9.438 (5)
Citation count*
Cite
Share Share

Get link to the record


* presented citation count is obtained through Internet information analysis and it is close to the number calculated by the Publish or Perish system.
Back
Confirmation
Are you sure?