Transferência de conhecimento da transformada shapelet para classificação de séries temporais em redes neurais convolucionais
Visualizar/ Abrir
Data
2021Autor
Souza, Alexandre Felipe Müller de, 1985-
Metadata
Mostrar registro completoResumo
Resumo: O crescente acúmulo na aquisição de dados, por mais diversos dispositivos, torna necessário o uso de ferramentas automatizadas para a descoberta de padrões. Dentre estas ferramentas automatizadas, a classificação de séries temporais, com aplicações em inúmeras atividades, melhora continuamente devido às bases de dados de séries públicas que permitem um marco comparativo. Também entre as diversas formas de se classificar uma série temporal, duas são foco deste trabalho: a classificação com símbolos (em especial shapelets) e as redes neurais convolucionais. A primitiva shapelet é um descritor de subsequências representativas para uma classe. A extração prévia dessa representação pode melhorar a capacidade de classificação de uma rede neural convolucional através da transferência de conhecimento. Neste trabalho, mostra-se um experimento onde a extração destas representações, antes do início do aprendizado da rede neural, muda o comportamento destes classificadores para bases específicas e, consequentemente, representa um ganho de representação em diversas bases. Abstract: Nowadays the evolution of sensor data acquisition needs the use of automatic tools to discover patterns. One of those automatic tools is the time series classification, with widely possible applications, that improves continuously due to public datasets that becomes a benchmark in researches. Among many ways to classify time series two, in particular, are explored here: the symbolic (specially Shapelet primitive) and the neural network classification. The shapelet primitive is a descriptor of subsequences that represents a class. The previous extraction of this representation can improve the classification capacity in a convolutional neuronal network using transfer learning. Furthermore, is shown an experiment where symbolic extraction, before the network training, changes the result of a classifier for most bases and improves the classification accuracy.
Collections
- Dissertações [355]