数据处理方法、电子设备及计算机可读存储介质

1.一种数据处理方法，其特征在于，包括：基于状态切换霍克斯过程建立数据处理模型，利用所述模型处理数据；其中，所述状态切换霍克斯过程中引入了系统状态过程，且所述状态切换霍克斯过程的参数随系统状态的变化而变化；所述状态切换霍克斯过程的影响函数为固定数目基函数的加权叠加，且影响函数中实值激励通过逻辑变换函数映射为非负条件强度；所述模型处理的数据包括神经脉冲序列数据；霍克斯过程的参数取决于当前的系统状态z(t)；当新事件发生时，所述系统状态z(t)发生切换；z(t)的状态转移矩阵Φ取决于所述新事件的类型；其中，所述状态转移矩阵Φ＝{Φ 1 ,…,Φ M }，其中，Φ i 是i维度对应的K×K的状态转移矩阵；在时间戳 处，z(t)的转移概率为：其中，状态过程z(t)是左连续的， 是 的右极限，φ i (k,k ′ )为Φ i 的对应元素，k,k ′ ∈1,…,K；所述状态切换霍克斯过程的第i个维度的条件强度函数为：其中，h i (t,z(t))是状态依赖的实值激励，σ(·)表示逻辑函数， 表示强度上界； 和 是z(t)状态下的基准激励和影响函数；所述 是由B个基函数混合而成的：其中， 为预定义的B个基函数， 为状态依赖的混合权重，表示在z(t)状态下维度j通过第b个基函数对维度i的影响；所述状态切换霍克斯过程包含的参数为事件类型依赖的状态转移矩阵、强度上界、状态依赖的激活权重，总结为 其中， 为状态依赖的激活权重。 2.根据权利要求1所述的数据处理方法，其特征在于，对于给定的观测参数，所述状态切换霍克斯过程的似然函数为：其中，利用贝叶斯推断方法对状态切换霍克斯过程的参数进行学习，在状态转移矩阵的每一行上采用以下共轭的狄利克雷先验，在强度上界上采用以下非正常先验，在激活权重上采用以下对称的高斯先验：其中， 是Φ i 的第k行，超参数是α＝[α 1 ,…,α K ] T 和协方差矩阵 3.根据权利要求2所述的数据处理方法，其特征在于，将如下两种辅助隐变量增广到原始似然函数中：第一种为Pólya-Gamma隐变量，其核心公式为：其中，PG(ω∣1,0)为Pólya-Gamma分布，g(ω,x)＝x/2-x 2 ω/2-log2；第二种为带标签的泊松隐过程，其核心公式为：其中， 为带标签的泊松过程的一个随机实现， 为Π i 的概率测度，与之对应的强度函数为 时间戳 服从一个强度为 的齐次泊松过程，Pólya-Gamma隐变量 为每一个时间戳 上独立同分布的标签。 4.根据权利要求3所述的数据处理方法，其特征在于，采用如下的吉布斯采样器：其中，公式(10a)为Pólya-Gamma变量的后验分布；公式(10b)为带标签的泊松过程的后验强度；公式(10c)为状态转移矩阵的后验分布， 为i维度上从状态k到状态k ′ 的切换次数；公式(10d)为强度上界的后验分布，R i ＝|Π i |为Π i 上点的数量；公式(10e)为激励权重的后验分布，定义 为维度i上状态k下的观测时间戳和对应隐标签， 为维度i上状态k下的隐时间戳和对应隐标签，协方差矩阵 其中， 为对角矩阵， 的前N i,k 个元素为 后R i,k 个元素为 为先验协方差矩阵， 其中， 的前N i,k 个元素为0.5，后R i,k 个元素为-0.5。 5.根据权利要求2所述的数据处理方法，其特征在于，所述状态转移矩阵的后验分布为：其中， 为i维度上从状态k到状态k ′ 的切换次数。 6.根据权利要求5所述的数据处理方法，其特征在于，所述方法还包括：通过下式迭代更新ω i ,Π i , w i 的变分分布：其中，公式(13a)为Pólya-Gamma变量的最优变分分布，利用了倾斜Pólya-Gamma分布 公式(13b)为带标签的泊松过程的最优变分强度， 公式(13c)为强度上界的最优变分分布， 其中，ψ(·)为digamma函数；公式(13d)为激励权重的最优变分分布， 其中， 7.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于保存进行数据处理的程序；所述处理器用于读取所述进行数据处理的程序，并执行如权利要求1-6中任一项所述的数据处理方法。 8.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-6中任一项所述的数据处理方法。