Haz*_*Haz 5 pattern-recognition neural-network deep-learning
我试图提取每当特定事件发生时总是出现的常见模式。
例如，患者 A、B 和 C 都患有心脏病。我想利用那里的脉搏读数找到心脏病发作之前的常见模式。
在下一阶段，我想使用多个维度来做到这一点。例如，使用患者脉搏、体温和血压的读数，考虑到每个维度之间的时间和顺序，三个维度中发生的常见模式是什么。
使用神经网络解决此问题的最佳方法是什么？哪种类型的网络最好？（只需要一些指向正确方向的指示）
感谢大家的阅读
所描述的问题看起来像时间序列预测问题。这意味着对某些现有过程产生的连续或离散现象的基本预测问题。作为这个问题的原始数据，我们将有一系列样本x(t)、x(t+1)、x(t+2)、...，其中 x() 表示所考虑过程的输出，t 表示某个任意时间点。
\n\n对于人工神经网络解决方案，我们将考虑时间序列预测，其中我们将原始数据组织成新的序列。您应该知道，我们将 X 视为将在 ANN 学习中使用的输入向量矩阵。对于时间序列预测，我们将根据以下模式构建一个新集合。
\n\n在最基本的形式中，您的输入向量 x 将是在任意位置获取的样本序列 (x(tk), x(t-k+1), ..., x(t-1), x(t))时间点 t，附加来自时间点 tk、t-k+1、...、t-1 的前驱样本。您应该像这样为每个可能的时间点 t 生成每个示例。
\n\n但关键是对数据进行预处理，以便我们得到最好的预测结果。
\n\n假设您的数据（现象）是连续的，您应该考虑应用一些采样技术。您可以从一些简单的采样周期 Δt 的实验开始，但还有更强大的方法。例如，请参见Nyquist\xe2\x80\x93Shannon 采样定理，其中关键思想是允许从离散 x(Δt) 样本中恢复连续 x(t)。当我们考虑到我们可能期望我们的人工神经网络这样做时，这是合理的。
\n\n假设您的数据是离散的......您仍然应该需要尝试采样，因为这将加快您的计算速度并可能提供更好的概括。但关键的建议是：做实验！因为最好的架构取决于数据，并且还需要正确地预处理它们。
\n\n接下来是网络输出层。从你的问题来看，这似乎是一个二元类预测。但也许更广泛的预测向量值得考虑？如何预测所考虑样本的未来，即 x(t+1)、x(t+2) 并尝试不同的范围（未来的长度）？
\n\n进一步阅读：
\n\n| 归档时间： |
|
| 查看次数： |
3724 次 |
| 最近记录： |