СОВРЕМЕННОЕ СОСТОЯНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В ПРИЛОЖЕНИЯХ ОБРАБОТКИ ОДНОМЕРНЫХ СИГНАЛОВ

Аннотация

За последнее десятилетие сверточные нейронные сети (CNN, англ. Convolutional Neural Networks) стали по факту стандартом для различных операций компьютерного зрения (Computer Vision, англ.) и машинного обучения (Machine Learning, англ.). Сверточные нейронные сети представляют собой искусственные нейронные сети (ANN, англ. Artificial Neural Networks) с прямой связью, чередующимися слоями свертки и субдискретизации. Глубокие двумерные сверточные нейронные сети (2D CNN) со многими скрытыми слоями и миллионами параметров имеют возможность обрабатывать сложные объекты и шаблоны при условии, что их можно обучать на базе данных большого размера с метками достоверности. При должном обучении, эта уникальная способность делает их основным инструментом в различных инженерных приложениях для анализа двумерных сигналов, таких как изображения и видеокадры. Тем не менее, это может быть неприемлемым вариантом во многих приложениях с одномерными сигналами, особенно когда обучающих данных недостаточно или они специфичны для конкретного приложения. Чтобы решить эту проблему, были предложены одномерные сверточные нейронные сети (1D CNN), которые сразу же достигли самых современных уровней производительности в многих применениях, например, таких областях как персонализированная классификация биомедицинских данных и ранняя диагностика, мониторинг состояния конструкций, обнаружение и идентификация аномалий в силовой электронике, или обнаружение неисправностей электродвигателей. Еще одно важное их преимущество заключается в том, что возможна недорогая аппаратная реализация в режиме реального времени благодаря простой и компактной конфигурации одномерных нейронных сетей, которые выполняют только скалярные умножения и сложения.  Современность одномерных сверточных нейронных сетей подчеркивается их колоссальной уникальной производительностью. Проведем обзор общей принципов одномерных сверточных нейронных сетей, а также их основных инженерных приложений, уделив особое внимание достижениям в этой области.