近日,由中国科协组织的优秀科技论文遴选计划,经学科集群专家推荐、牵头单位组织遴选、中国科协专家委员会终审等多轮程序,正式发布了入选论文名单,最终确定96篇论文入选。该计划旨在贯彻落实《关于深化改革培育世界一流科技期刊的意见》,鼓励更多优秀的原创性科研成果在国内期刊的首发,助推世界一流科技期刊的建设。
《Journal of Systems Engineering and Electronics》刊发的1篇论文成功入选,这是对JSEE所发表论文的学术水平和原创性的极大肯定,代表了JSEE向世界一流科技期刊的不断前进 。
入选论文
题目:Convolutional neural networks for time series classification
作者:赵本东; 卢焕章; 陈尚锋; 刘俊良; 吴东娅
单位:国防科学技术大学电子科学与工程学院
论文介绍:
时间序列分类是军事学、天文学、医学等众多研究领域中的一个热点问题。传统的时间序列分类方法主要是根据人工经验对数据样本进行特征提取,或构建简单数据生成模型学习出目标的特征分布,得到的仅仅是目标的单层特征,是不包含层次结构的一个粗略的统计分布,不能有效反应目标特征形成的复杂结构原因,不便于对有细微差别的目标进行细分,噪声容忍度较小。
论文提出利用卷积神经网络(CNN)实现时间序列的分类。论文主要工作包括:
1.将传统时间序列分类方法归纳总结为三大种类,并分别分析了它们的实现途径和优缺点;
2.详细介绍了CNN的网络结构,分析了网络各层的物理意义和实现方法;
3.给出了网络的训练步骤,探讨了卷积核尺寸、卷积核个数及下采样方式等网络参数的选取方法;
4.构建了一维、二维仿真时间序列数据集,利用仿真数据和公开的真实时间序列数据进行分类实验,并对实验结果进行分析和总结。
论文主要创新点包括:
1.利用卷积层和抽样层的交替操作取代人工经验的特征设计,实现了时间序列局部结构特征的自主挖掘;
2.通过增加网络层数、优化网络参数实现目标低层特征的组合,进而形成更加抽象的高层表示和属性类别,使得网络能够基于样本获取目标间更细微的区分性特征,从而具有更强的分类能力;
3.提出了多维时间序列的联合训练方法,使得网络能够学习得到不同序列间的内在关系特征,从而提高了多维时间序列的分类能力;
4.率先提出利用深度学习方法解决时间序列分类问题,并通过实验证明了深度学习在该问题中的巨大潜力和研究价值,为领域同行提供了新的研究思路和技术基础。