.png){kind=icon}
返回
Advanced Data Augmentation Methods in Neural Network for Functional Data Classification
.png){kind=icon}
PRE
AI
DOI：10.1080/10618600.2025.2610387.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多现实世界数据具有非线性特征，这使得传统线性模型难以充分探索数据的内在规律。函数数据分析方法，特别是基于深度学习的模型，能够有效处理这些非线性关系并准确捕捉数据趋势。为应对这一挑战，本文提出了两种基于函数神经网络的创新数据增强方法：基于导数的函数基神经网络（D-FBNN）和基于加法分解的函数基神经网络（AD-FBNN）。首先，D-FBNN通过利用函数数据的固有属性提取高阶导数信息，该方法不仅能单独使用导数，还能通过原始数据与其导数的加权线性组合引入更丰富的数据特征。其次，AD-FBNN采用时间序列分析中的加法分解技术，将函数数据分解为趋势、季节和残差分量，并分析其在不同组合下的特征。在六个基准函数数据集上的数值实验证明了两种方法在函数数据分类任务中的有效性，凸显了它们在提升分类器性能方面的潜力。
Keyword:
Additive decomposition
Functional data analysis
Functional data classification
Functional neural network
Orthonormal basis
期刊
J
IF:
1.8
论文数:
138
被引数:
6.4K
机构
引用论文
A review of irregular time series data handling with gated recurrent neural networks门控递归神经网络对不规则时间序列数据处理的回顾.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Classifying urban land use by integrating remote sensing and social media data整合遥感和社交媒体数据的城市土地利用分类
PREAI
分享收藏分享收藏An improved random forest based on the classification accuracy and correlation measurement of decision trees基于决策树分类精度和相关性度量的改进随机森林
PREAI
分享收藏A Non-linear Function-on-Function Model for Regression with Time Series Data用于时间序列数据回归的非线性函数-函数模型
OAAI
OAAI分享收藏
查看更多内容