.png){kind=icon}
返回
Temporal 2D-cycle-generation framework for time series classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112778.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在时间序列分类任务中，大多数数据集具有小数据量或难以收集的特点。因此，我们提出了一种基于二维时间序列数据（CycleTime）的数据增强框架。CycleTime分别由最优维度转换方法、最优数据增强方法和最优分类器组成。通过对比实验，选择了Gramian angular difference field、优化的CycleGAN和FCN，以形成最优框架。实验结果表明，CycleTime能够有效提高EEG和HAR时间序列数据的分类精度。在五个数据集的平均表现上，CycleTime相较于现有基准方法提升了1.4%的结果。CycleTime可以为其他时间序列任务提供参考价值和理论基础。
Keyword:
Time series classification
Dimension transformation
Data augmentation
Generative adversarial network
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
暂无机构信息
引用论文
A deep learning framework for time series classification using Relative Position Matrix and Convolutional Neural Network.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Time series shapelets: a novel technique that allows accurate, interpretable and fast classification
OAAI
OAAI分享收藏分享收藏Generative Adversarial Networks in Time Series: A Systematic Literature Review时间序列中的生成对抗网络: 系统文献综述
OAAI
OAAI分享收藏Towards Unsupervised Deep Image Enhancement With Generative Adversarial Network基于生成对抗网络的无监督深度图像增强OAAI
OAAI分享收藏
查看更多内容