T-WAVENET: A TREE-STRUCTURED WAVELET NEURAL NETWORK FOR TIME SERIES SIGNAL ANALYSIS

时间序列信号分析在许多应用中发挥着重要作用，如行为识别和医疗监护。最近，用深度神经网络(dnn)提取的特征被证明比传统的手工提取的特征更有效。然而，现有的大多数解决方案仅依赖网络提取原始信号中携带的信息，而不考虑其固有的物理和统计特性，导致性能次优，特别是在训练数据量有限的情况下

本文提出一种新的树状小波神经网络，用于时间序列信号分析，即T-WaveNet，利用各种类型信号的固有属性，即主导频率范围。首先，利用T-WaveNet对信号进行频谱能量分析，得到一组主频带;然后，构建一个树形结构的网络，迭代地将输入信号分解为具有相似能量的各种频率子带;树的每个节点由一个基于可逆神经网络(INN)的小波变换单元建立。这种解耦表示学习方法有助于更有效地提取有判别力的特征，在各种真实时间序列分类数据集上的广泛实验证明了这一点

背景

时间序列信号分析主要包括3个步骤:(1)数据分割，利用定长或变长窗口对连续信号进行分段;(ii)特征提取，在每个分割上应用各种技术来提取区分性特征;以及(iii)下游任务，使用提取的特征为某些任务(例如分类和异常检测)生成所需的输出。 然而，现有的大多数深度学习模型都没有意识到这一本质属性，也没有充分考虑各个频率分量的不同作用，导致解决方案次优。

本文提出了一种新颖的树状小波神经网络T-WaveNet，通过无缝地将这种特性有效地集成到深度模型中，从时间序列信号中提取更有效的特征。与以往模型不同的是，T-WaveNet自适应地用更具判别力的特征表示输入信号的主导能量范围，能够自然、容易地泛化并应用于不同类型的时间序列信号。

METHODS

T-WaveNet考虑了信号不同频率范围的信息分布不均匀，构建了一个树状结构的网络进行特征学习，将能量较大的频率范围划分为更细粒度的子带，并在特征向量中以更多维度表示，从而获得更强大的表示，从时间序列信号中提取更多想要的信息 

总结：利用频域特征分解构成树形结构，可以考虑将这种特征和transformer结合起来，对时间序列进行预测。