基于反卷积的多元时间序列分类与可视化表示学习
机器学习
2016-12-04 v3 神经与进化计算
摘要
我们提出了一种基于反卷积网络与 SAX 离散化的新模型，用于学习多元时间序列的表示。反卷积网络以无监督学习的方式充分利用深度神经网络强大表达能力的优势。我们专门设计了一种网络结构，通过反卷积捕获跨通道相关性，迫使池化操作沿各独立通道的每个位置进行降维。基于 Symbolic Aggregate Approximation 的离散化应用于特征向量，以进一步提取特征袋。我们展示了该表示与特征袋如何辅助分类。提供了与基于序列距离方法的完整比较，以证明我们的方法在标准数据集上的有效性。我们进一步从反卷积的离散化表示构建马尔可夫矩阵，将时间序列可视化为复杂网络，其展现出更多类特定的统计属性和针对不同标签的清晰结构。
引用
@article{arxiv.1610.07258,
title = {Representation Learning with Deconvolution for Multivariate Time Series Classification and Visualization},
author = {Zhiguang Wang and Wei Song and Lu Liu and Fan Zhang and Junxiao Xue and Yangdong Ye and Ming Fan and Mingliang Xu},
journal= {arXiv preprint arXiv:1610.07258},
year = {2016}
}
备注
arXiv admin note: text overlap with arXiv:1505.04366 by other authors