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。

更进一步地，如果信号中杂讯较多的话，可以考虑使用特殊形式的卷积神经网路，例如深度残差收缩网路[1]。在软阈值化层的帮助下，深度残差收缩网路更适合含噪振动信号[2]。

深度残差收缩网路

参考

  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. ^关于深度残差收缩网路，你需要知道这几点 http://www.woshipm.com/ai/3350577.html

卷积本来就有一维的啊！可以试试！

那我建议你看一下wide-and-shallow cnn，就是用cnn对文本进行分类，和你这个随时间变化的序列相似。网上有很多教程。

推荐阅读：
相关文章