2021-04-25

一维卷积神经网络(1D-CNN)

常见用的卷积神经网络（CNN，convolutional neural network)为2D-CNN,即卷积核为两维，常用于处理图片、视频等数据，已经成功应用于许多计算机视觉和模式识别任务中。在采用CNN处理1维信号时，通常需要将1维信号转换为2维再输入CNN中，例如将1D振动信号、心电信号等通过各种变换方式变成2D图片后输入CNN。然而，采用2D-CNN处理1D信号时存在以下缺点：

1. 处理2维数据时，算法计算复杂度更高，通常需要更高性能的硬件来进行训练，因此不是特别适用于实时应用场景和低功耗、低内存的设备；
2. 通常2D-CNN需要大量训练数据，然而许多1D信号处理领域缺乏大量标记数据。

近年来，越来越多的学者采用紧凑的1D-CNN来直接处理1D信号，已经成功应用于心电信号分类、结构健康监测、轴承故障诊、模拟电路故障诊断、大功率发动机故障监控等多个领域。相比于2D-CNN，1D-CNN具有参数量小、训练容易、计算量小等优点。1D-CNN与2D-CNN结构类似，只是卷积核为1维卷积，1D-CNN通常包括1D卷积层、降采样Pooling层和全连接层，通过反向传播算法对每个卷积单元参数进行优化。1D-CNN主要的超参包括：卷积层和全连接层数、卷积核大小、降采样因子大小、激活函数、学习率等。1D-CNN网络结构如图1所示。

图1 1D-CNN网络结构图
卷积层将输入的局部区域与多个滤波器核进行卷积操作，然后送入神经元产生输出特征。每个过滤器采用相同的内核来提取输入局部区域的局部特征，这通常称为权重共享。卷积操作可以定义为：
$${\mathrm{y}}_i^{l+1}(j)=K$$