Найти

Результаты поиска

• МЕТОД И АЛГОРИТМ ИЗВЛЕЧЕНИЯ ПРИЗНАКОВ ИЗ ЦИФРОВЫХ СИГНАЛОВ НА БАЗЕ НЕЙРОСЕТЕЙ ТРАНСФОРМЕР

  З.А. Понимаш, М.В. Потанин

  52-64

  2025-01-13

  Аннотация ▼

  В последнее время нейросетевые модели стали одним из наиболее перспективных направле-
  ний в области автоматического извлечения признаков из цифровых сигналов. Традиционные под-
  ходы, такие как статистический, временной, частотный и частотно-временной анализ, требуют
  значительных экспертных знаний и часто оказываются недостаточно эффективными при рабо-
  те с нестационарными и сложными сигналами, например, биомедицинскими (ЭКГ, ЭЭГ, ЭМГ) или
  промышленными сигналами (примером могут служить токограмы). Перечисленные выше методы
  имеют ряд ограничений, когда требуется анализировать многоканальные данные с изменяющейся
  частотной структурой, либо когда разметка сигналов слишком трудоёмка или дорогостоящая.
  Современные архитектуры нейросетей, такие как трансформеры, показали высокую эффектив-
  ность в автоматическом извлечении признаков из сложных данных. Трансформеры превзошли
  традиционные свёрточные и рекуррентные нейронные сети по многим ключевым характеристикам, особенно в задачах прогнозирования временных рядов, классификации мультимодальных данных
  и извлечения признаков из последовательностей. Их способность моделировать сложные временные
  зависимости и нелинейные зависимости в данных делает их идеальными для таких задач, как
  фильтрация шумов и обработка мультимодальных сигналов. В данной статье предложен метод
  извлечения признаков из цифровых сигналов, основанный на модифицированной архитектуре транс-
  формера, включающей нелинейный слой после модуля самовнимания. Этот подход позволил улуч-
  шить способность модели выявлять сложные и нелинейные зависимости в данных, что особенно
  важно при работе с биомедицинскими и полученных от промышленных систем сигналов. Приводит-
  ся описание архитектуры и проведенных экспериментов, демонстрирующих высокие показатели
  модели при решении задач классификации, прогнозирования и фильтрации сигналов. Ожидается,
  что данная модель может применяться для широкого спектра приложений, включая диагностику
  заболеваний и сбоев, прогнозирование параметров сигналов и системное моделирование.