文献

J-GLOBAL ID：201602214115978394   整理番号：16A0990946

多変量時系列分類のためのマルチチャネル深い畳込みニューラルネットワークの利用【Powered by NICT】

Exploiting multi-channels deep convolutional neural networks for multivariate time series classification

著者 (5件)： Zheng Yi (School of Computer Science and Technology, University of Science and Technology of China) ,  Liu Qi (School of Computer Science and Technology, University of Science and Technology of China) ,  Chen Enhong (School of Computer Science and Technology, University of Science and Technology of China) ,  Ge Yong (Department of Computer Science, University of North Carolina at Charlotte) ,  Zhao Leon J (Department of Information Systems, City University of Hong Kong)
資料名： Jisuanji Kexue Qianyan  (Jisuanji Kexue Qianyan)
巻： 10  号： 1  ページ： 96-112  発行年： 2016年 
JST資料番号： C2824A  ISSN： 2095-2228  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 英語 (EN)

抄録/ポイント： 時系列分類は多くの異なるドメインに関連する,健康情報学,金融,およびバイオインフォマティクス。その広い応用のために,研究者はこの種のタスクのために多くのアルゴリズム,例えば,多変量時系列分類を開発した。分類アルゴリズムの中で,動的時間ワーピング(DTW)と組み合わせたk-最近傍(k-NN)分類(特に1-NN)は現在美術品の画像性能の状態を達成した。欠乏はデータセットが大きく成長した場合,DTWwillとNNの時間消費は非常に高価であることである。DTWと1-NNと対照的に,それらの性能は通常人手特徴の品質に依存するので,より効率的であるが特徴ベース分類法の効果が低かった。本論文では,特徴学習法による伝統的な特徴に基づくアプローチの性能を改善することを目指す。具体的には,多変量時系列分類のための,多チャネル深い畳込みニューラルネットワーク(MC-DCNN),新しい深層学習フレームワークを提案した。このモデルは最初に各チャネルにおける個々の単変量時系列からの特徴学習し,最終層での特徴表現として全てのチャネルからの情報を組み合わせたものである。学習された特徴を分類のための多層パーセプトロン(MLP)に適用した。最後に,実世界データ集合について広汎な実験を行い,提案モデルであるだけでなく芸術の状態よりも効率的であるが,精度は競合的であることを示した。特徴学習が時系列分類の問題について検討する価値があることを意味している。Data from the ScienceChina, LCAS.【Powered by NICT】

シソーラス用語： *チャネル ,  金融 ,  美術 ,  *畳込み ,  学習 ,  多層パーセプトロン ,  *ニューラルネットワーク ,  アルゴリズム
準シソーラス用語： 特徴表現 ,  深層学習 ,  分類法 ,  分類アルゴリズム ,  バイオインフォマティクス ,  *マルチチャネル ,  *多変量 , 【Automatic Indexing@JST】

著者キーワード (4件)： 畳込みニューラルネットワーク ,  時系列分類 ,  特徴学習 ,  深い学習

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 多変量 ,  時系列 ,  分類 ,  マルチチャネル ,  畳込みニューラルネットワーク