PofoliaPofolia ile paylaşıldı

IEEE Access· 2017Q1

Zaman Serisi Sınıflandırması için LSTM Tam Evrişimli Ağları

LSTM Fully Convolutional Networks for Time Series Classification

Fazle Karim, Somshubra Majumdar, Houshang Darabi, Shun Chen

Kısa özet

LSTM-FCN modelleri, model boyutunda nominal bir artışla ve minimum ön işlemeyle standart FCN'lere göre zaman serisi sınıflandırma doğruluğunu önemli ölçüde artırır.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Ana noktalar

  • Zaman serisi sınıflandırması için FCN'leri LSTM RNN'lerle birleştiren LSTM-FCN'yi tanıtır.
  • Mevcut yöntemleri geride bırakarak son teknoloji performansı elde eder.
  • Modeller, boyut ve ön işlemede minimum artışla önemli performans artışı gösterir.
  • LSTM karar süreçlerini görselleştirmek için dikkat mekanizmalarını (ALSTM-FCN) araştırır.
  • Eğitilmiş model performansını daha da artırmak için bir iyileştirme yöntemi önerir.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Özet (abstract)

Fully convolutional neural networks (FCNs) have been shown to achieve the state-of-the-art performance on the task of classifying time series sequences. We propose the augmentation of fully convolutional networks with long short term memory recurrent neural network (LSTM RNN) sub-modules for time series classification. Our proposed models significantly enhance the performance of fully convolutional networks with a nominal increase in model size and require minimal preprocessing of the data set. The proposed long short term memory fully convolutional network (LSTM-FCN) achieves the state-of-the-art performance compared with others. We also explore the usage of attention mechanism to improve time series classification with the attention long short term memory fully convolutional network (ALSTM-FCN). The attention mechanism allows one to visualize the decision process of the LSTM cell. Furthermore, we propose refinement as a method to enhance the performance of trained models. An overall analysis of the performance of our model is provided and compared with other techniques.

Yazarların özeti; kaynağından alınmıştır. IEEE Access, 2017 · DOI ↗

ÇıkarımlarPremium
Makaleye SorÜcretsiz hesapla

Ücretsiz hesapla devam et

Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.

Web'de ücretsiz devam et

Google ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.

Telefonda:

Google Play'den indir App Store'dan indir

Benzer makaleler

Alan: Sinyal İşleme

Signal ProcessingComputer Science