动态时间规整卷积网络

在处理时间序列时，有理由假设：促使动态时间规整（DTW）算法发展的同类形变，在一维卷积层中计算点积（“卷积”）时也可能相关。本文提出一种方法，利用类似于动态时间规整的算法，在卷积滤波器与输入局部失相时对其进行对齐。所提方法能够将时间序列的非参数规整直接嵌入深度网络中以提升相似性，并可在输入存在局部序列形变时增强标准一维卷积层的泛化能力与容量。实验结果表明，在多项时间序列分类任务上，所提方法在最高精度方面优于或持平标准一维卷积层。此外，针对不同数据集考察了不同超参数设置的影响，结果支持了先前关于 DTW 参数值选择的研究结论。所提层可自由与其他典型层集成，以构建任意架构的深度人工神经网络，并使用标准随机梯度下降进行训练。