返回
MSCGN: Multiscale complementary gating network for time series classification
DOI:10.1016/j.bspc.2025.108563.png)
摘要
En 中文
时间序列数据的分类由于其在不同领域和任务中固有的多样性,仍然是一个严峻的挑战。本研究提出了一种新颖的多尺度互补门控网络(MSCGN),该网络在不同领域中表现出卓越的泛化能力和鲁棒性。该模型采用多尺度残差减法策略,通过整合多粒度信息来提取更全面且鲁棒的特征表示,使网络能够感知粗粒度和细粒度差异信息。该模型在六个时间序列分类任务上展现出优异的准确性和泛化能力,包括心房颤动识别、人体活动识别、睡眠监测、癫痫识别、心音检测和手势识别,其性能超越了不同时间序列领域中的基准模型。所提出的MSCGN为时间序列分类提供了一个强大且灵活的工具,解决了时间序列数据的复杂性和变异性问题。
期刊
IF:
4.9
论文数:
1.0W
被引数:
2.4W
机构
暂无机构信息
引用论文
Bake off redux: a review and experimental evaluation of recent time series classification algorithms
POSTER plus plus : A simpler and stronger facial expression recognition network
PATTERN RECOGNITION
IF7.6
Inception-v4, Inception-ResNet and the Impact of Residual Connections on LearningInception-v4、Inception-ResNet和剩余连接对学习的影响
Time-series classification in smart manufacturing systems: An experimental evaluation of state-of-the-art machine learning algorithms智能制造系统中的时间序列分类: 对最新机器学习算法的实验评估

