用于高频时间序列无监督监测的全可学习深度小波变换

高频(HF)信号在工业界无处不在，对工业资产的监测极有价值。大多数深度学习工具是为固定和/或非常有限大小的输入设计的，许多深度学习在工业场景下的成功应用使用提取的特征作为输入，而这些特征是原始信号的手动且通常费力获得的紧凑表示。本文中，我们提出一个完全无监督的深度学习框架，能够提取原始高频信号的有意义且稀疏的表示。我们在架构中嵌入了快速离散小波变换(FDWT)的重要性质，如(1)级联算法，(2)将小波、尺度与转置滤波器函数联系起来的共轭正交滤波器性质，以及(3)系数去噪。利用深度学习，我们使该架构完全可学习：小波基与小波系数去噪均可学习。为实现此目标，我们提出一种新的激活函数，可对小波系数执行可学习的硬阈值化。借助我们的框架，去噪 FDWT 成为一种完全可学习的无监督工具，既不需要任何类型的预处理或后处理，也不需要对小波变换的先验知识。我们在开源声音数据集上执行的三个机器学习任务中展示了嵌入所有这些性质的好处。我们对各性质对架构性能的影响进行了消融研究，取得了远高于基线的结果，并优于其他 SOTA 方法。