Journal of Systems Engineering and Electronics· 2017
Evrişimsel Sinir Ağları, Zaman Serisi Sınıflandırmasında Son Teknoloji Yöntemleri Geride Bırakıyor
Convolutional neural networks for time series classification
- 876atıf
- 2017yıl
Kısa özet
Yeni bir Evrişimsel Sinir Ağı (CNN) çerçevesi, zaman serilerinden otomatik olarak derin özellikler çıkararak, simüle edilmiş ve gerçek dünya veri kümelerinde sınıflandırma doğruluğu ve gürültü toleransı açısından mevcut yöntemlerden daha iyi performans gösteriyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Zaman serisi sınıflandırması için yeni bir CNN çerçevesi tanıtılmıştır.
- CNN'ler, geleneksel özellik tabanlı yöntemlerin aksine, evrişim ve havuzlama yoluyla derin özellikleri otomatik olarak çıkarır.
- Önerilen yöntem, simüle edilmiş ve sekiz gerçek dünya veri kümesi üzerinde test edilmiştir.
- Deneysel sonuçlar, CNN'nin doğruluk ve gürültü toleransı açısından son teknoloji yöntemlerden daha iyi performans gösterdiğini ortaya koymuştur.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Time series classification is an important task in time series data mining, and has attracted great interests and tremendous efforts during last decades. However, it remains a challenging problem due to the nature of time series data: high dimensionality, large in data size and updating continuously. The deep learning techniques are explored to improve the performance of traditional feature-based approaches. Specifically, a novel convolutional neural network (CNN) framework is proposed for time series classification. Different from other feature-based classification approaches, CNN can discover and extract the suitable internal structure to generate deep features of the input time series automatically by using convolution and pooling operations. Two groups of experiments are conducted on simulated data sets and eight groups of experiments are conducted on real-world data sets from different application domains. The final experimental results show that the proposed method outperforms state-of-the-art methods for time series classification in terms of the classification accuracy and noise tolerance.
Yazarların özeti; kaynağından alınmıştır. Journal of Systems Engineering and Electronics, 2017 · DOI ↗
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 etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sinyal İşleme
Signal ProcessingComputer Science