如何将卷积神经网路应用在一维时间序列数据上?
现在有一批随时间变化的 n*1向量,输出分类为二分类(真或假),有一种思路是按照时间分解为一组 二维特征图(横坐标为时间,纵坐标为向量的各种组合特征) ,那么在这种情况下,请问CNN还能很好的胜任吗? 比如inception resnet等高级演算法, 该如何设计网路结构? 之所以非想用CNN来解决该问题,一个是数据集大,特征工程复杂,希望利用深度学习提取特征,另外2015年阿里移动挑战赛冠军就是用了这种思路(没有用池化,网路结构未知)解决预测用户购买商品问题,欢迎大家来讨论!
可以啊,卷积这个概念本身不局限在二维上,一维函数的卷积也很常见。我的领域是自然语言处理,也经常能接触到对文字序列的一维卷积,这和时间序列是同一个道理,常见操作就是给序列加上padding,然后通过卷积以及池化层得到相应特征。
具体到框架里,你可以看到 tensorflow 提供了 tf.nn.conv1,tf.nn.conv2,tf.nn.conv3 三种维度的卷积操作。
不过对于序列还是推荐用循环神经网路,最近看的论文有很多是 RNN 与 CNN 结合的方案,可以参考一下。
当然可以,时序上的研究一直都有两个流派,即RNN与CNN。再说拿tensorflow举例,tf.conv1这个函数就是可用来计算你的问题。当然我更喜欢用2D的,即楼主提到的那种格式。想过很高,而且计算速度快。处理时序问题上吸取一些RNN的精髓,比如门控,记忆等,效果不比LSRM,GRU差。
时间卷积网路TCN在nlp问题上现在也有较好的解决方案了,希望能够帮到你:时间卷积网路(TCN) 总结:时序模型不再是递归网路(RNN) 的天下,但作为信息粗暴提取的一种方法,请不要神话CNN !
CNN可以处理时间序列,思路有2个
1、对时间序列进行一维卷积
2、借用了图像识别的处理,将时间序列表征为图像,时间序列转化为黑白图像,即二维矩阵
振动信号就是天然的一维时间序列数据。
卷积神经网路可以用在不同故障状态下的振动信号分类,据此进行机械设备故障诊断。