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。

你可能感兴趣的:(人工智能,深度学习)