Mar, 2024

多通道时序分解网络用于可泛化的基于传感器的活动识别

PDF
TL;DR这篇论文介绍了一种基于传感器的人体活动识别方法，通过多通道时间序列分解网络（MTSDNet）进行信号分解，学习原始信号的低秩表示，提高模型的域外泛化能力，并通过层注意机制聚合分解得到的组件，来实现最终的分类结果。通过对多个公共数据集的广泛评估，证明了该方法在预测准确性和稳定性方面的优势，具有解释性和分层特性。
sensor-based human activity recognitionout-of-domain generalizationmulti-channel time series decomposition networkextraterritorial generalization abilitypredicting accuracy and stability
发现论文，激发创造
  • 时间序列预测的时空分解与融合网络

    利用 TSDFNet 神经网络的自分解和注意力特征融合机制来实现对时间序列数据的预测，同时解决了传统上严重依赖领域知识的特征选择问题以及深度学习模型的可解释性问题。

    Oct, 2022

  • 多尺度分解 MLP-Mixer 用于时序分析

    提出了一种名为 MSD-Mixer 的多尺度分解 MLP-Mixer 模型，该模型通过学习将时间序列分解成不同的组成部分，并在不同层级上表示这些组成部分，以处理多尺度时间模式和通道间的依赖关系。通过在各种实际数据集上进行广泛实验，包括长期和短期预测、插补、异常检测和分类等五个常见时间序列分析任务，证明了 MSD-Mixer 在性能上明显优于其他最先进的任务通用和任务特定方法。

    Oct, 2023

  • UMSNet: 一种用于人体活动识别的通用多传感器网络

    本文提出了一种适用于人类活动识别的通用多传感器网络（UMSNet），采用了新型轻量级传感器残差块（称为 LSR 块）和 Transformer 来提取序列特征的关系，经过全面实验后，证明在人类活动识别方面优于其他最先进的方法。

    May, 2022

  • 解耦欠完全：基于小波注入的多层异构网络用于不完善可穿戴传感器数据中的人体活动识别

    利用多级离散小波分解从传感器数据中提取多分辨率特征进行传感器数据分析的多级异构神经网络（MHNN）模型，在使用七个公开可用数据集的实验研究中证明了 MHNN 在应对缺失值和噪声方面的优越性，并通过消融研究证实了每个模块的重要性。

    Jan, 2024

  • 时变图信号分解

    提出了一种基于字典的时间图信号分解框架（TGSD），可以处理来自真实世界中的多个不同领域的时间序列数据， 并且通过结合时间和图形字典来学习数据的联合编码，实现了丢失数据的处理和提高时间插值性能.

    Jun, 2021

  • RobustTAD: 基于分解和卷积神经网络的强健时间序列异常检测

    提出一种效率高且可扩展的时间序列异常检测框架 --RobustTAD，该框架通过整合强韧的季节 - 趋势分解和卷积神经网络来处理复杂的时间序列模式，以捕获多尺度信息，并使用数据增强方法来处理标注数据不足的问题。该框架在阿里巴巴集团的不同业务场景中广泛应用并表现显著优异。

    Feb, 2020

  • TFDNet：基于时频增强分解网络的长期时间序列预测

    提出了一种 Time-Frequency Enhanced Decomposed Network (TFDNet) 方法，用于从时频域捕捉长期潜在模式和时间周期性，通过多尺度的时频增强编码器支撑和两个独立的趋势和季节时频块来捕捉多分辨率中分解的趋势和季节成分的不同模式，实验证明 TFDNet 在效果和效率上优于现有方法。

    Aug, 2023

  • 通过分解适应提高时间序列预测的可传递性

    本研究提出了一种基于深度学习的新颖转移架构 SeDAN，通过从跨域数据集中对可转移的知识进行对齐来提高目标领域的预测性能，采用隐式对比分解来对原始特征进行分解，并针对不同域的分解特征设计相应的适应性方法，实验表明 SeDAN 可以提供更高效，更稳定的知识传递，可应用于多元时间序列预测。

    Jun, 2023

  • 高阶张量的多尺度分析

    介绍了一种基于混合线性建模和子空间聚类技术的自适应、多尺度张量分解方法，旨在降低大型和多模态数据的维度和表示复杂度。该方法在多个真实张量信号的维数约简和分类问题中表现良好。

    Apr, 2017

  • 大数据处理的新方法：张量网络和张量分解

    本研究主要介绍了张量网络、张量分解、多元分析，低秩逼近以及大数据分析等多个方面，并讨论了其在异常检测、特征提取、分类、聚类分析、数据融合和集成、模式识别、预测建模、回归、时间序列分析和多元分析等领域中的潜在应用。

    Mar, 2014