如何將卷積神經網路應用在一維時間序列數據上?
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。