یادگیری عمیق برای تحلیل سری های زمانی
چکیده
در بسیاری از کاربردهای دنیای واقعی، مثلاً بازشناسی گفتار یا طبقه بندی مرحله خواب، داده ها طی یک دوره زمانی بدست آمده و سریهای زمانی را تشکیل می دهند. سریهای زمانی اغلب حاوی وابستگی های زمانی هستند که موجب می شوند نقاط زمانی متفاوت (غیر یکسان) به کلاس های متفاوت تعلق داشته باشند یا رفتار متفاوتی را پیش بینی نمایند. به طور کلی، این ویژگی مشکلات تجزیه و تحلیل آنها را افزایش می دهد. تکنیک های موجود اغلب وابسته به ویژگیهای دستی (ساخته شده با دست) هستند که ساخت آنها هزینه بر و نیازمند دانش خبره و تخصصی از فیلد بود. با ظهور یادگیری عمیق، مدلهای جدید یادگیری نظارت نشده برای تحلیل و پیش بینی سریهای زمانی توسعه یافته است. چنین توسعه های جدیدی موضوع این مقاله هستند: تکنیک های اصلی یادگیری عمیق مرور شده و برخی از کاربردهای تحلیل سریهای زمانی جمع بندی شده است. نتایج بدست آمده روشن می کند که یادگیری عمیق، سهم به سزایی در فیلد دارد.
1. مقدمه
از زمان شروع شبکه های عصبی مصنوعی (ANN) در سال 1943 [46]، از آنها برای حل دامنه بزرگی از مسائل مثل پردازش رباتیک [32]، شناسایی شی [56]، تشخیص گفتار و دست خط [19]، و حتی ترجمه زبانه نشانه بلادرنگ [2] استفاده شده است. علی رغم اینکه معماریهای عمیق تر نتایج بهتری نسبت به معماریهای سطحی معمولی حاصل می کنند، تستهای تجربی با شبکه های عمیق در مقایسه با شبکه هایی با تنها یک یا دو لایه، نتایج مشابه یا حتی بدتری بدست آوردند [57] (برای جزئیات بیشتر به مرجع [6] نگاه کنید). به علاوه، آموزش، دشوار و اغلب ناکارآمد تصور گردید [6]. Langkvist [34] این گونه استدلال می کند که این سناریو با پیشنهاد یادگیری نظارت نشده لایه به لایه حریصانه [22] شروع به تغییر نمود، که امکان یادگیری سریع شبکه های باور عمیق را فراهم آورد و در عین حال، مسئله گرادیان های نزولی را حل نمود [7].آخرین معماریهای عمیق از ماژول های مختلفی استفاده می کنند که به طور جداگانه آموزش دیده و به گونه ای پشته شده اند که خروجی ماژول اول، ورودی ماژول بعدی به حساب می آید.
Abstract
In many real-world application, e.g., speech recognition or sleep stage classification, data are captured over the course of time, constituting a Time-Series. Time-Series often contain temporal dependencies that cause two otherwise identical points of time to belong to different classes or predict different behavior. This characteristic generally increases the difficulty of analysing them. Existing techniques often depended on hand-crafted features that were expensive to create and required expert knowledge of the field. With the advent of Deep Learning new models of unsupervised learning of features for Time-series analysis and forecast have been developed. Such new developments are the topic of this paper: a review of the main Deep Learning techniques is presented, and some applications on Time-Series analysis are summaried. The results make it clear that Deep Learning has a lot to contribute to the field.
1 Introduction
Artificial Neural Networks (ANN), since their origin in 1943 [46], have been used to solve a large range of problems as diverse as robotic processing [32], object recognition [56], speech and handwriting recognition [19], and even real time sign-language translation [2]. Despite the intuition that deeper architectures would yield better results than the then more commonly used shallow ones, empirical tests with deep networks had found similar or even worse results when compared to networks with only one or two layers [57] (for more details, see [6]). Additionally, training was found to be difficult and often inefficient [6]. L¨angkvist [34] argues that this scenario started to change with the proposal of greedy layer-wise unsupervised learning [22], which allowed for the fast learning of Deep Belief Networks, while also solving the vanishing gradients problem [7]. Latest deep architectures use several modules that are trained separately and stacked together so that the output of the first one is the input of the next one.
چکیده
مقدمه
شبکه عصبی مصنوعی
مروری برادبیات
یادگیری عمیق برای مدلسازی سریهای زمانی
یادگیری عمیق برای طبقه بندی سریهای زمانی
GAF
MTF
اجرای طبقه بندی با تصاویر تولید شده
یادگیری عمیق برای تشخیص آنومالی سریهای زمانی
نتیجه گیری
Abstract
1 Introduction
1.1 Artificial Neural Network
2 Literature Review
3 Deep Learning for Time-Series Modeling
4 Deep Learning for Time-Series Classification
4.1 Gramian Angular Field
4.2 Markov Transition Field
4.3 Performing Classification with the Generated Images
5 Deep Learning for Time-Series Anomaly Detection
6 Conclusio
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه