我必须用 CNN（不是 LSTM 或某种 RNN）对时间序列信号进行分类。输入信号是一个宽度为 90 个样本（当前，但可以更改）和 59 个传感器值的窗口。所以我的信号可以用单个类的 90x59 矩阵表示。我有 28 节课。
现在我正在寻找一个很好的解决方案来对此进行分类。我的第一次尝试以 24% 的准确度非常差的结果结束，我正在考虑模型中所有 59 个通道的多通道模型。
有什么好的方法可以开始获得某种好的预测结果吗？
使用卷积神经网络进行时间序列分类
数据挖掘
喀拉斯
美国有线电视新闻网
2022-02-04 14:26:16
2个回答
我不相信 24% 的准确率很差，这取决于您的数据集的样子。你的基线准确率在 3.5% 的范围内，有 28 个类别。但是让我们假设你想做得更好。
用于图像的 CNN 使用 2-d 卷积滤波器，因为期望靠近的像素应该一起处理。我想您可以在 90x59 矩阵上使用二维卷积，但我不清楚我们应该在“关闭”传感器之间寻找信息。也许您可以使用某种“高”二维卷积，以便在同一时间跨度内捕获所有传感器的信息。
正如您所提到的，您可能想尝试在每个通道上训练模型并将它们集成起来。如果你这样做，我想你可以使用一维卷积来处理每个通道，但我真的不明白你为什么会这样做。你觉得有必要使用 CNN 有什么理由吗？很可能有更合适的模型专门用于处理时间序列数据。
我不太确定它是否适合您的问题，但我认为您可以查看我们最近关于时间序列分类的深度学习的工作。
您可以从残差连接开始，因为它们似乎可以提高性能，同时允许网络更深而不会遇到梯度消失问题。
另一件事是尝试将迁移学习用于时间序列分类，因此基本上使用预先训练的模型。