پیچش زمانی عمیق برای انطباق چندگانه سری های زمانی

در این مقاله، یک رویکرد جدید برای مساله msa (انطباق چندگانه سری‌های زمانی) بر اساس یادگیری عمیق ارائه شده است. در msa هدف منطبق کردن مجموعه‌ای از سری‌های زمانی است. اگرچه در روش‌های موجود، msa بر اساس انطباق جفت سری‌های زمانی انجام می‌شود، رویکرد پیشنهادی با عملکرد به شیوه بدون نظارت انطباق را درون یک کلاس خاص از سیگنال‌ها می‌آموزد. از طریق تجزیه به بخش‌های خطی، ما می‌توانیم سطوح مختلف پیچیدگی را به تابع پیچش وارد کنیم. علاوه بر این، ارضای سه محدودیت پیچش (شرایط مرزی، یکنواختی و پیوستگی) در روش ما تضمین شده است. استفاده از شبکه کانولوشنی عمیق ما را قادر می سازد تا از یک تابع هزینه بهینه برای غلبه بر برخی معایب dtw (پیچش زمانی پویا) استفاده کنیم. آزمایش‌های روی ucrarchive 2018 شامل دیتاست‌هایی از سری زمانی، نشان می‌دهند که انطباق سیگنال‌ها ابتدا با استفاده از رویکرد ما، دقت طبقه‌بندی را در اکثر این دیتاست‌ها بهبود می‌بخشد.