以下代码链接是Multi-Scale Ensemble Booster for Improving Existing TSD Classifiers论文代码，包含了算法和表格等，比较完备。

论文：Multi-Scale Ensemble Booster for Improving Existing TSD Classifiers

论文网站：Multi-Scale Ensemble Booster for Improving Existing TSD Classifiers | IEEE Journals & Magazine | IEEE Xplore

论文代码github网址如下：点击绿色code，然后download zip。

论文代码网站： https://github.com/foryichuanqi/Multi-Scale-Ensemble-Booster-for-Improving-Existing-Time-Series-Data-Classifiers

#提升现有时间序列数据分类器的多尺度集成增强器

我们提出了一种高度易于使用的性能增强框架，称为多尺度集成增强器（MEB），帮助现有的时间序列数据分类器实现性能飞跃。此外，我们提出了一种新的度量方法，用于评估多数据集上方法的时间序列分类性能，称为MACE。

在MEB中，我们提出了一种易于组合的网络结构，无需改变其结构和超参数，只需设置一个超参数，由多尺度变换和多输出决策融合组成。然后，提出了一种概率分布协同进化策略，以获得最优的标签概率分布。我们在128个单变量数据集和29个多变量数据集上进行了多次MEB消融实验，并使用11种最先进的方法进行了对比实验，这分别证明了MEB的显著性能改善能力和MEB增强的模型的最先进性能。此外，为了弄清楚MEB为什么可以提高模型性能，我们提供了一系列可解释性分析。

#易于成功运行

为了使代码易于成功运行，我们仔细调试文件。一般来说，如果环境得到满足，您可以在解压缩压缩包后直接运行其中的所有xxx.py文件，而无需更改任何代码。

（1） 解压缩Multi-Scale-Ensemble-Booster-for-Improveg-Existing-Time-Series-Data-Classifiers.zip。

（2） 直接运行任何xxx.py

注意：完整的数据集在https://github.com/foryichuanqi/Multi-Scale-Ensemble-Booster-for-Improving-Existing-Time-Series-Data-Classifiers/releases/tag/v1.0.0

数据集参考网站：Welcome to the UCR Time Series Classification/Clustering Page（UCR存储库：单变量时间序列数据集）和https://github.com/titu1994/MLSTM-FCN/releases（多变量时间序列数据集）

#文章与引用

（1） 为了更好地理解我们的代码，请阅读我们的论文。

论文：Multi-Scale Ensemble Booster for Improving Existing TSD Classifiers

论文网站：Multi-Scale Ensemble Booster for Improving Existing TSD Classifiers | IEEE Journals & Magazine | IEEE Xplore

论文代码：https://github.com/foryichuanqi/Multi-Scale-Ensemble-Booster-for-Improving-Existing-Time-Series-Data-Classifiers

（2） 出于学术目的使用代码时，请引用本文和数据集的原始来源。

BibTex:

@ARTICLE{multi2022fan,

author={Fan, Linchuan and Chai, Yi and Chen, Xiaolong},

journal={IEEE Transactions on Knowledge and Data Engineering},

title={Multi-Scale Ensemble Booster for Improving Existing TSD Classifiers},

year={2022},

volume={},

number={},

pages={1-17},

doi={10.1109/TKDE.2022.3230709}}

GB/T 7714:

Fan L, Chai Y, Chen X. Multi-Scale Ensemble Booster for Improving Existing TSD Classifiers[J]. IEEE Transactions on Knowledge and Data Engineering, 2022.

#代码与论文的关系

方法:

(1) MEB-ResNet: code\Ablation_experiment_on_128_UCR\MEB-ResNet_128_UCR.py

(2) MEB-FCN:code\Ablation_experiment_on_128_UCR\MEB-FCN_128_UCR.py

我们提出的指标，其用于评估一个方法在多个时序数据集上的性能:

(1) MACE: Section 4.1 : the def MACE(x1,num_classes) in code\table\Table_3_4_5_6.py

实验:

(1) Section 4.2.1. :code\Ablation_experiment_of_pooling_methods_on_MTSC_datasets

(2) Section 4.2.2 and 4.2.3. :code\Ablation_experiment_on_128_UCR and code\Ablation_and_comparision_experiment_on_MTSC_datasets

(3) Section 4.3. :code\Comparision_experiment_on_85_UCR and code\Ablation_and_comparision_experiment_on_MTSC_datasets

# 环境与致谢:

(1) 环境:

tensorflow-gpu 1.15.0

keras 2.2.4

scipy 1.5.2

pandas 1.0.5

numpy 1.19.1

(2) 致谢:

衷心感谢以下参考 .

github: https://github.com/cauchyturing/UCR_Time_Series_Classification_Deep_Learning_Baseline

github: https://github.com/titu1994/MLSTM-FCN/releases

UCR:Welcome to the UCR Time Series Classification/Clustering Page