时间序列是指具有自然时间顺序的数据点序列，包括生物医学信号、金融数据、工业设备、生物识别技术、视频处理等领域。时间序列分析在现实世界的模式识别中扮演着重要角色。
时间序列分类（TSC）方法可以从不同的角度进行分类，包括”频域”方法和”时域”方法，以及”基于实例”和”基于特征”方法。近年来，深度学习（DL）模型在计算机视觉和语音识别方面取得了显著进展。卷积神经网络（CNN）作为深度学习模型之一，不仅无需手工制作特征，还能统一进行特征学习和分类。
递归图（RP）是分析时间序列周期性、混沌性以及非平稳性的重要方法。最近的研究表明，将时间序列信号编码为2D图，然后将TSC问题视为纹理识别任务，是一种有潜力的方法。深度学习在TSC上的应用主要有两种方法：一些方法修改传统的CNN架构并使用一维时间序列信号作为输入，而另一些方法首先将一维信号转换为二维矩阵，然后应用CNN，类似于传统的CNN用于图像识别。
递归图（RP）的应用在时间序列分类中具有潜在优势。RP提供了一种通过相空间可视化轨迹周期性质的方法，并使我们能够研究m维相空间轨迹的某些方面通过2D表示。由于CNN最近在图像识别方面取得了出色的成果，我们首先将时间序列信号编码为2D图，然后将TSC问题视为纹理识别任务。在UCR时间序列分类档案上的实验结果表明，与现有的深度架构以及最先进的TSC算法相比，所提出的方法具有竞争性的准确性。
深度学习在TSC上的应用直到最近才得到充分探索。CNN在TSC上的应用主要有两种方法：一些方法修改传统的CNN架构并使用一维时间序列信号作为输入，而另一些方法首先将一维信号转换为二维矩阵，然后应用CNN，类似于传统的CNN用于图像识别。
递归图（RP）是分析时间序列周期性、混沌性以及非平稳性的一个重要方法，可以揭示时间序列的内部结构，给出有关相似性、信息量和预测性的先验知识。递归图特别适合短时间序列数据，可以检验时间序列的平稳性、内在相似性。
一维时间序列转换到递归图的实例
任何CNN模型都有两个方面需要仔细考虑：一、设计合适的架构，二、选择正确的学习算法。架构和学习规则的选择不仅要相互兼容，还要适当地适应数据和应用程序。
训练上述CNN架构与MLP类似。利用基于梯度的优化方法（误差反向传播算法）来估计模型的参数。为了更快地收敛，使用随机梯度下降（SGD）来更新参数。训练阶段有两个主要步骤：传播和权重更新。
在UCR档案中选定的20个数据上，所提出的方法与最先进的TSC算法的性能如下表。
提出了一种新的TSC管道。利用CNN在图像分类方面的高性能，时间序列信号首先转换为纹理图像（使用RP），然后由深度CNN模型处理。该流程具有以下优点：一、RP使我们能够可视化某些方面通过2D图像绘制m维相空间轨迹，二、CNN以监督方式联合自动学习不同级别的时间序列特征和分类。实验结果证明了所提出的管道的优越性。特别是，与使用传统分类框架的RP模型和其他基于CNN的时间序列图像分类的模型相比，表明：在我们提出的模型中使用RP图像和CNN可以获得更好的结果。
