- 摘要
CNN分类常用于计算机视觉和语言识别,但是很少用于时间序列分类。因为设计了一个有两层卷积层的CNN用于作时间序列分类。CNN的一个缺点就是需要大量的有效数据去训练。针对这个缺点提出了两个解决方案:(1)数据扩充 (2)利用来自不同数据集的训练时间序列以半监督的方式学习网络 - Introduction
文献中关于时间序列分类的方法主要有两种:(1)distance-based【基于距离】【在原始数据上直接出来,根据原始数据相似性进行分类】【常用方法:DTW、ED、DTW与K-NN组合】 (2)feature-based methods【基于特征】【从每个时间序列中提取一组局部描述它的特征向量】。
在时间序列分类中,UCR数据集通常用于评价不同方法的性能。
在本文中,提出了两种方法来提高CNN在小数据集时间序列分类中的性能 - 模型
模型被称为 t-leNet ,用于时间序列分类的模型。架构:卷积层 --》最大池化(下采样)–》卷积层–》最大池化(下采样)–》全连接层
- 时间序列扩充
(1)常见的切片,窗口扭曲等操作,在可视范围内进行数据扩充
(2)没有用到GAN
- 数据扩充的影响
WS【窗口切片】方法和WW【窗口扭曲】方法都有助于提高分类性能。在这些实验中,WS的切片大小设置为原始时间序列大小的90%,而WW中扭曲的切片大小设置为时间序列大小的10%。观察到的WW改进在5%水平不能被认为是显著的,因为错误率分散远高于WS数据增强方法。然而,有趣的一点是,对于WW,我们可以得出一个何时使用它的经验法则:这种方法几乎总是可以提高性能
- 总结
本文没有用到GAN,仅作了解