Để triển khai phần mềm và phần cứng cụ thể, hãy nhấp vào http://mcu-ai.com/ Trang web công nghệ MCU-AI_MCU-AI trí tuệ nhân tạo mạng thần kinh tích chập (CNN) tự động tìm hiểu các cách biểu diễn tính năng phân cấp từ dữ liệu thô trong các tác vụ nhận dạng hình ảnh. thành công. Trong khi hầu hết tài liệu phân loại chuỗi thời gian (TSC) tập trung vào tín hiệu 1D, bài viết này sử dụng biểu đồ lặp lại (RP) để chuyển đổi chuỗi thời gian thành hình ảnh kết cấu 2D và sau đó sử dụng các bộ phân loại CNN sâu. Biểu diễn hình ảnh của chuỗi thời gian giới thiệu các loại tính năng khác nhau không có trong tín hiệu 1D, vì vậy TSC có thể được coi là nhiệm vụ nhận dạng hình ảnh kết cấu. Các mô hình CNN cũng cho phép các cấp độ biểu diễn khác nhau được học chung và tự động bằng các bộ phân loại. Do đó, việc sử dụng RP và CNN trong một khuôn khổ thống nhất được kỳ vọng sẽ cải thiện tỷ lệ nhận dạng của TSC. Kết quả thử nghiệm trên kho lưu trữ phân loại chuỗi thời gian UCR chứng minh rằng phương pháp đề xuất đạt được độ chính xác cạnh tranh so với các kiến trúc sâu hiện có cũng như các thuật toán TSC tiên tiến nhất.

Chuỗi thời gian là một chuỗi các điểm dữ liệu (phép đo) có thứ tự thời gian tự nhiên. Nhiều nhiệm vụ nhận dạng mẫu trong thế giới thực quan trọng liên quan đến phân tích chuỗi thời gian. Tín hiệu y sinh (ví dụ: điện não đồ và điện tâm đồ), dữ liệu tài chính (ví dụ: thị trường chứng khoán và tỷ giá hối đoái), thiết bị công nghiệp (ví dụ: cảm biến khí và kích thích bằng laser), sinh trắc học (ví dụ: giọng nói, chữ ký và cử chỉ), xử lý video, âm nhạc. với tính chất chuỗi thời gian là khai thác mỏ, dự báo và thời tiết.

Các phương pháp phân loại chuỗi thời gian (TSC) hiện tại có thể thực hiện phân loại từ các góc độ khác nhau. Từ góc độ của các loại đối tượng, các phương pháp "miền tần số" bao gồm phân tích quang phổ và phân tích sóng con; các phương pháp "miền thời gian" bao gồm tự tương quan, tự hồi quy và phân tích tương quan chéo. Từ góc độ chiến lược phân loại, nó cũng có thể được chia thành các phương pháp "dựa trên cá thể" và "dựa trên tính năng". Cái trước đo lường sự giống nhau giữa bất kỳ mẫu thử nghiệm nào đến và tập huấn luyện; đồng thời gán nhãn cho lớp tương tự nhất (1-Láng giềng gần nhất (1-NN) và Gói thời gian động (DTW) dựa trên khoảng cách Euclide là hai loại phổ biến và các phương pháp được sử dụng rộng rãi trước tiên biến chuỗi thời gian thành một không gian mới và trích xuất nhiều đặc điểm phân biệt và đại diện hơn để các bộ phân loại mẫu sử dụng nhằm tìm ra các ranh giới phân loại tối ưu.

Gần đây, các mô hình học sâu (DL còn được gọi là học đặc trưng hoặc học biểu diễn) đã đạt được tỷ lệ nhận dạng cao trong thị giác máy tính và nhận dạng giọng nói. Mạng nơ-ron tích chập (CNN) là một trong những mô hình học sâu phổ biến nhất. Không giống như các khung phân loại "dựa trên tính năng" truyền thống, CNN không yêu cầu các tính năng thủ công. Cả phần học đặc trưng và phân loại đều được hợp nhất trong một mô hình và được học cùng nhau. Vì vậy, hiệu suất của họ được củng cố lẫn nhau. Nhiều lớp của các đơn vị xử lý khác nhau (ví dụ: tích chập, gộp, nén tiếp tuyến sigmoid/hyperbol, bộ chỉnh lưu và chuẩn hóa) chịu trách nhiệm học (biểu diễn) hệ thống phân cấp tính năng từ cấp thấp đến cấp cao. Bài báo này nghiên cứu hiệu năng của đồ thị đệ quy (RP) trong mô hình CNN sâu TSC. RP cung cấp một cách để hình dung bản chất tuần hoàn của các quỹ đạo trong không gian pha và cho phép chúng ta nghiên cứu các khía cạnh nhất định của quỹ đạo trong không gian pha m chiều thông qua biểu diễn 2D. Do CNN gần đây đã đạt được kết quả xuất sắc trong nhận dạng hình ảnh nên trước tiên chúng tôi mã hóa tín hiệu chuỗi thời gian thành biểu đồ 2D và sau đó xử lý vấn đề TSC như một nhiệm vụ nhận dạng kết cấu. Sử dụng mô hình CNN với 2 lớp ẩn theo sau là lớp được kết nối đầy đủ.

Ứng dụng deep learning vào TSC chỉ mới được khám phá đầy đủ gần đây. Có hai phương pháp chính để áp dụng CNN trên TSC: một số phương pháp sửa đổi kiến trúc CNN truyền thống và sử dụng tín hiệu chuỗi thời gian một chiều làm đầu vào, trong khi các phương pháp khác trước tiên chuyển đổi tín hiệu một chiều thành ma trận hai chiều rồi áp dụng CNN, tương tự như CNN truyền thống được sử dụng để nhận dạng hình ảnh.

Biểu đồ lặp lại (RP) là một phương pháp quan trọng để phân tích tính tuần hoàn, hỗn loạn và không cố định của chuỗi thời gian. Nó có thể tiết lộ cấu trúc bên trong của chuỗi thời gian và đưa ra kiến thức tiên nghiệm về sự giống nhau, nội dung thông tin và khả năng dự đoán. Đồ thị đệ quy đặc biệt phù hợp với dữ liệu chuỗi thời gian ngắn và có thể kiểm tra tính dừng và tính tương tự vốn có của chuỗi thời gian. Ví dụ về chuyển đổi chuỗi thời gian một chiều thành đồ thị đệ quy Có hai khía cạnh của bất kỳ mô hình CNN nào cần được xem xét cẩn thận: thứ nhất, thiết kế kiến trúc phù hợp và thứ hai, chọn thuật toán học phù hợp. Việc lựa chọn kiến trúc và quy tắc học không chỉ phải tương thích với nhau mà còn phải thích ứng phù hợp với dữ liệu và ứng dụng.

Mô hình CNN sâu 2 cấp được áp dụng ở đây, với kích thước đầu vào 1 kênh là 28 × 28 và lớp đầu ra là c nơ-ron. Mỗi giai đoạn học tính năng đại diện cho một cấp độ tính năng khác nhau, bao gồm các toán tử tích chập (bộ lọc), kích hoạt và gộp tương ứng. Đầu vào và đầu ra của mỗi lớp được gọi là bản đồ đặc trưng. Lớp bộ lọc kết hợp đầu vào của nó với một tập hợp các hạt nhân có thể huấn luyện được. Các lớp tích chập là các khối xây dựng cốt lõi của CNN và khai thác các mối tương quan cục bộ về mặt không gian bằng cách thực thi các mô hình kết nối cục bộ giữa các nơ-ron ở các lớp liền kề. Các kết nối mang tính cục bộ nhưng luôn mở rộng dọc theo toàn bộ chiều sâu của âm lượng đầu vào để tạo ra phản hồi mạnh nhất đối với các mẫu đầu vào được bản địa hóa theo không gian. Các hàm kích hoạt như sigmoid và tanh đưa tính phi tuyến vào mạng và cho phép chúng tìm hiểu các mô hình phức tạp. Ở đây, chúng tôi áp dụng ReLU (đơn vị tuyến tính được chỉnh lưu) vì nó huấn luyện mạng lưới thần kinh nhanh hơn nhiều lần29 và không gây ra tổn thất đáng kể về độ chính xác tổng quát hóa. Việc gộp chung (hay còn gọi là lấy mẫu con) làm giảm độ phân giải của đầu vào và khiến nó trở nên khó khăn hơn trước những thay đổi nhỏ trong các tính năng đã học trước đó. Khi kết thúc quá trình trích xuất đặc trưng hai giai đoạn, bản đồ đặc trưng được làm phẳng và nhập vào lớp được kết nối đầy đủ (FC) để phân loại. Lớp FC kết nối mọi nơ-ron trong một lớp với mọi nơ-ron trong lớp khác, theo nguyên tắc tương tự như perceptron đa lớp truyền thống (MLP). Việc huấn luyện kiến trúc CNN ở trên cũng tương tự như MLP. Phương pháp tối ưu hóa dựa trên độ dốc (thuật toán lan truyền ngược lỗi) được sử dụng để ước tính các tham số của mô hình. Để hội tụ nhanh hơn, phương pháp giảm độ dốc ngẫu nhiên (SGD) được sử dụng để cập nhật các tham số. Giai đoạn huấn luyện có hai bước chính: lan truyền và cập nhật trọng số.

Hiệu suất của phương pháp được đề xuất so với thuật toán TSC tiên tiến trên 20 dữ liệu được chọn trong kho lưu trữ UCR như sau: Một đường dẫn TSC mới được đề xuất. Tận dụng hiệu suất cao của CNN trong phân loại hình ảnh, các tín hiệu chuỗi thời gian trước tiên được chuyển đổi thành hình ảnh kết cấu (sử dụng RP) và sau đó được xử lý bằng mô hình CNN sâu. Quá trình này có những ưu điểm sau: 1. RP cho phép chúng ta hình dung các khía cạnh nhất định bằng cách vẽ quỹ đạo không gian pha m chiều thông qua hình ảnh 2D và 2. CNN cùng nhau và tự động tìm hiểu các cấp độ khác nhau của các tính năng và phân loại chuỗi thời gian theo cách được giám sát. Kết quả thực nghiệm chứng minh tính ưu việt của đường ống đề xuất. Đặc biệt, so với mô hình RP sử dụng khung phân loại truyền thống và các mô hình phân loại hình ảnh chuỗi thời gian dựa trên CNN khác, cho thấy có thể thu được kết quả tốt hơn khi sử dụng hình ảnh RP và CNN trong mô hình đề xuất của chúng tôi.

Cuối cùng, bài viết này về phân loại hình ảnh chuỗi thời gian dựa trên mạng nơ ron tích chập sâu, một nhà cung cấp phần cứng trí tuệ nhân tạo nguồn mở, tiêu thụ điện năng thấp và chi phí thấp, sẽ kết thúc tại đây nếu bạn muốn biết thêm về phân loại hình ảnh chuỗi thời gian dựa trên sâu. mạng thần kinh tích chập, Để biết thông tin về phân loại hình ảnh chuỗi thời gian mạng và các nhà cung cấp phần cứng trí tuệ nhân tạo nguồn mở, năng lượng thấp, chi phí thấp, vui lòng tìm kiếm các bài viết CFSDN hoặc tiếp tục duyệt các bài viết liên quan. Tôi hy vọng bạn sẽ ủng hộ blog của tôi trong tương lai! .