Mar, 2024

InceptionTime 与小波方法在时间序列分类方面的比较

PDF
TL;DR利用神经网络对声纹数据进行分类研究，比较了两种不同的方法，一种直接对时间序列数据进行分类，采用 InceptionTime 网络的自定义实现，另一种则生成信号的小波变换的 2D 图像，然后采用 ResNet 实现进行分类，并选择合适的超参数设置，两种方法均能达到 90% 以上的分类准确率，直接方法的准确率达到 95.2%。
neural networksinfrasound dataclassificationtime serieswavelet transformation
发现论文，激发创造
  • InceptionTime：时间序列分类中的 AlexNet 探索

    本文介绍了 InceptionTime，这是一种深度卷积神经网络模型，能够取得和现有算法一样的准确性，且具有更好的可伸缩性，使其在时间序列分类方面的研究中得到了广泛的应用。

    Sep, 2019

  • 时间尺度网络：用于时间序列数据的浅层神经网络

    通过结合传统的离散小波变换的转换和扩张序列，利用卷积神经网络和反向传播方法，我们提出了一种最小化、计算效率高的时间尺度网络，它可以同时学习多个时间尺度的特征，用于序列分类，并且具有显著减少参数和操作的优势。在心房功能障碍检测和癫痫预测方面表现出优异性能。

    Nov, 2023

  • AdaWaveNet: 自适应小波网络用于时间序列分析

    此研究论文介绍了自适应小波网络（AdaWaveNet），它是一种新颖的方法，采用自适应小波变换对非平稳时间序列数据进行多尺度分析。AdaWaveNet 设计了基于 lifting scheme 的小波分解和构造机制，提供了增强的灵活性和鲁棒性，在预测、填充和高清重建等任务上表现出了优越的效果，展示了其在各种实际应用中的潜力。

    May, 2024

  • 深度自适应小波网络

    本文提出一种采用多分辨率分析和波形表示的、深度神经网络的设计方法，以提升卷积神经网络的可解释性，并在图像分类任务中取得竞争性的准确性。

    Dec, 2019

  • WEITS：一种用于可解释时间序列预测的小波增强残差框架

    通过多层小波分解和正反向残差结构，WEITS 将频率分析引入高度深度学习框架，拥有较强的表示能力和统计解释能力，实验证明其在时间序列预测方面具有竞争力的性能和高计算效率的额外优势。

    May, 2024

  • 朝着端到端可解释的卷积神经网络发展音波信号

    用卷积神经网络构建高效且可解释的端到端音频深度学习模型，通过在三个标准语音情感识别数据集上的实验验证，我们的框架在效率和可解释性方面表现优越，对抗 Mel 频谱特征有高达 7% 的改进；还揭示了前端层在处理复杂的长波形模式方面的高效性和可解释性，通过 PhysioNet 心音数据库的实例进行了论证，为处理原始波形数据构建了可移植的有效模型解决方案。

    May, 2024

  • 基于小波的 CNN 用于噪声鲁棒性图像分类

    本文研究如何通过离散小波变换（DWT）代替传统的 max-pooling，strided-convolution 和 average-pooling 来提高卷积神经网络（CNN）的抗噪性能，并设计了 WaveCNets 来进行图像分类，实验证明 WaveCNets 相比于 VGG，ResNets 和 DenseNet 等传统版本具有更好的噪声鲁棒性和准确性。

    May, 2020

  • 小波卷积神经网络

    我们提出了一种新的 CNN 架构，Wavelet CNN 结合多分辨率分析和 CNNs 成为一个模型，在图像分类和图像注释等任务中，它比传统 CNN 具有更好的性能与较少的参数。

    May, 2018

  • 学习鲁棒和一致的时间序列表示：基于扩张 Inception 的方法

    本文提出了一种新的采样策略和编码器架构，用于强化噪声下的连续序列的一致表示学习，实验结果表明，该方法在预测、分类和异常检测任务方面的表现始终优于现有方法。

    Jun, 2023

  • 使用卷积神经网络比较环境声音分类的时频表示

    本研究比较了不同信号处理方法在卷积神经网络进行音频分类任务时所得到的频谱图表示，发现 Mel-scaled STFT 方法表现最佳。同时还发现，信号的特点以及转化窗口的大小都对分类结果有影响，2D 卷积神经网络在大多数情况下都比 1D 效果更好。

    Jun, 2017