SRDCNN：用于时间序列传感器信号分类任务的强正则化深度卷积神经网络架构
信号处理
2020-07-15 v1 机器学习
摘要
深度神经网络（DNN）已成功用于执行分类与回归任务，尤其在基于计算机视觉的应用中。近来，由于物联网（IoT）的广泛部署，我们认为来自不同传感器的时间序列数据分类任务极为重要。本文提出SRDCNN：一种基于强正则化深度卷积神经网络（DCNN）的深度架构，用于执行时间序列分类任务。所提方法的新颖之处在于网络权重同时受L1与L2范数惩罚正则化。两种正则化方法联合解决了训练样本较少、需更快训练过程、通过权重向量稀疏化及控制权重值来避免过拟合等实际问题。我们使用公开的时间序列分类基准（UCR/UEA archive）时间序列数据集，将所提方法（SRDCNN）与包括不同DNN在内的相关最先进算法比较，表明所提方法具有更优性能。我们认为SRDCNN通过深度控制网络参数以应对现实时间序列传感器信号训练样本不足的问题，赋予了深度架构更好的泛化能力。
引用
@article{arxiv.2007.06909,
title = {SRDCNN: Strongly Regularized Deep Convolution Neural Network Architecture for Time-series Sensor Signal Classification Tasks},
author = {Arijit Ukil and Antonio Jara and Leandro Marin},
journal= {arXiv preprint arXiv:2007.06909},
year = {2020}
}
备注
KDAH workshop in the 28th ACM International Conference on Information and Knowledge Management (CIKM), November 2019, Beijing, China