現在有一批隨時間變化的 n*1向量，輸出分類為二分類（真或假），有一種思路是按照時間分解為一組 二維特徵圖（橫坐標為時間，縱坐標為向量的各種組合特徵） ，那麼在這種情況下，請問CNN還能很好的勝任嗎？ 比如inception resnet等高級演算法， 該如何設計網路結構？ 之所以非想用CNN來解決該問題，一個是數據集大，特徵工程複雜，希望利用深度學習提取特徵，另外2015年阿里移動挑戰賽冠軍就是用了這種思路（沒有用池化，網路結構未知）解決預測用戶購買商品問題，歡迎大家來討論！

可以啊，卷積這個概念本身不局限在二維上，一維函數的卷積也很常見。我的領域是自然語言處理，也經常能接觸到對文字序列的一維卷積，這和時間序列是同一個道理，常見操作就是給序列加上padding，然後通過卷積以及池化層得到相應特徵。

具體到框架里，你可以看到 tensorflow 提供了 tf.nn.conv1，tf.nn.conv2，tf.nn.conv3 三種維度的卷積操作。

不過對於序列還是推薦用循環神經網路，最近看的論文有很多是 RNN 與 CNN 結合的方案，可以參考一下。

當然可以，時序上的研究一直都有兩個流派，即RNN與CNN。再說拿tensorflow舉例，tf.conv1這個函數就是可用來計算你的問題。當然我更喜歡用2D的，即樓主提到的那種格式。想過很高，而且計算速度快。處理時序問題上吸取一些RNN的精髓，比如門控，記憶等，效果不比LSRM，GRU差。

時間卷積網路TCN在nlp問題上現在也有較好的解決方案了，希望能夠幫到你：時間卷積網路(TCN) 總結：時序模型不再是遞歸網路(RNN) 的天下，但作為信息粗暴提取的一種方法，請不要神話CNN !

CNN可以處理時間序列，思路有2個

1、對時間序列進行一維卷積

2、借用了圖像識別的處理，將時間序列表徵為圖像，時間序列轉化為黑白圖像，即二維矩陣

振動信號就是天然的一維時間序列數據。

卷積神經網路可以用在不同故障狀態下的振動信號分類，據此進行機械設備故障診斷。

更進一步地，如果信號中雜訊較多的話，可以考慮使用特殊形式的卷積神經網路，例如深度殘差收縮網路[1]。在軟閾值化層的幫助下，深度殘差收縮網路更適合含噪振動信號[2]。

深度殘差收縮網路

參考

  1. ^M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, vol. 16, no. 7, pp. 4681-4690, 2020. https://ieeexplore.ieee.org/document/8850096
  2. ^關於深度殘差收縮網路，你需要知道這幾點 http://www.woshipm.com/ai/3350577.html

卷積本來就有一維的啊！可以試試！

那我建議你看一下wide-and-shallow cnn，就是用cnn對文本進行分類，和你這個隨時間變化的序列相似。網上有很多教程。

推薦閱讀：
相关文章