cnn神经网络可以用于数据拟合吗_卷积神经网络如何处理一维时间序列数据？

概述

许多文章都关注于二维卷积神经网络(2D CNN)的使用，特别是图像识别。而一维卷积神经网络(1D CNNs)只在一定程度上有所涉及，比如在自然语言处理(NLP)中的应用。目前很少有文章能够提供关于如何构造一维卷积神经网络来一些机器学习问题。

何时应用 1D CNN？

CNN 可以很好地识别出数据中的简单模式，然后使用这些简单模式在更高级的层中生成更复杂的模式。当你希望从整体数据集中较短的(固定长度，即kernal size)片段中获得感兴趣特征，并且该特性在该数据片段中的位置不具有高度相关性时，1D CNN 是非常有效的。

1D CNN 可以很好地应用于传感器数据的时间序列分析(比如陀螺仪或加速度计数据)；同样也可以很好地用于分析具有固定长度周期的信号数据(比如音频信号)。此外，它还能应用于自然语言处理的任务(由于单词的接近性可能并不总是一个可训练模式的好指标，因此 LSTM 网络在 NLP 中的应用更有前途)。

1D CNN 和 2D CNN 之间有什么区别？

无论是一维、二维还是三维，卷积神经网络(CNNs)都具有相同的特点和相同的处理方法。关键区别在于输入数据的维数以及特征检测器(或滤波器)如何在数据之间滑动：

问题描述

在本文中，我们将专注于基于时间片的加速度传感器数据的处