magistrsko delo
Abstract
V magistrskem delu predstavimo klasifikacijo časovnih vrst z uporabo konvolucijskih nevronskih mrež. Klasifikacija je izvedena nad časovno-frekvenčnimi predstavitvami časovnih vrst, ki so pridobljene z različnimi metodami časovno-frekvenčne analize. Zasnovali smo več arhitektur konvolucijskih nevronskih mrež za klasifikacijo časovnih vrst. Optimizacijski algoritmi za učenje konvolucijskih nevronskih mrež so uporabljali napredno izgubno funkcijo, imenovano žariščna izguba. Za najuspešnejšo metodo izračuna časovno-frekvenčnih predstavitev časovnih vrst se je izkazala zvezna valčna transformacija, s katero smo dosegli povprečno natančnost klasifikacije 90,07 %. Združitev različnih časovno-frekvenčnih predstavitev je izboljšala povprečno natančnost klasifikacije na 92,01 %.
Keywords
klasifikacija;globoko učenje;konvolucijske nevronske mreže;časovne vrste;časovno-frekvenčna analiza;magistrske naloge;
Data
Language: |
Slovenian |
Year of publishing: |
2020 |
Typology: |
2.09 - Master's Thesis |
Organization: |
UM FERI - Faculty of Electrical Engineering and Computer Science |
Publisher: |
[D. Kavran] |
UDC: |
004.85:519.246.8(043.2) |
COBISS: |
27221763
|
Views: |
765 |
Downloads: |
164 |
Average score: |
0 (0 votes) |
Metadata: |
|
Other data
Secondary language: |
English |
Secondary title: |
Time series classification based on convolutional neural networks |
Secondary abstract: |
This master’s thesis presents time series classification using convolutional neural networks. Classification is performed on time-frequency representations of time series, which are obtained by using different time-frequency analysis methods. Several convolutional neural network architectures for time series classification were designed. Optimization algorithms for learning convolutional neural networks used advanced loss function, called focal loss. The most successful method for computing time-frequency representations of time series has proven to be a continuous wavelet transform, which achieved an average classification accuracy of 90,07 %. Combining various time-frequency representations increased average classification accuracy to 92,01 %. |
Secondary keywords: |
classification;deep learning;convolutional neural networks;time series;time-frequency analysis; |
Type (COBISS): |
Master's thesis/paper |
Thesis comment: |
Univ. v Mariboru, Fak. za elektrotehniko, računalništvo in informatiko, Računalništvo in informacijske tehnologije |
Pages: |
X, 64 f. |
ID: |
11626029 |