摘要
深度卷积神经网络（CNN）已在多种应用中取得成功，尤其在图像识别领域表现突出。然而，时间序列数据（如传感器数据采集任务中产生的数据）在特性上与图像数据存在显著差异，因此需要专门设计的CNN结构以有效处理此类数据。本文提出一种用于时间序列分类的新型CNN模型。该模型创新性地在不同隐藏层中提取多个中间输出，而非传统方式仅依赖单一输出来调控隐藏层的权重更新。通过引入中间目标（intermediate targets）作为中间输出的标签，以指导网络训练，从而提升模型性能。值得注意的是，中间目标与主目标（即最终分类标签）并不相同。此外，所提方法利用原始训练样本与中间目标，人工扩充训练样本数量，将原始分类任务转化为一个等价但具有更高训练实例数的新型分类任务，该任务包含两个类别。所提出的用于时间序列分类的CNN模型称为CNN-TS，其特征提取机制基于两条时间序列之间的距离度量。在多个基准时间序列数据集上的实验结果表明，CNN-TS相比基础CNN方法（未引入中间层）整体准确率提升了5.1%。与传统机器学习方法（线性SVM、RBF核SVM和随机森林RF）相比，CNN-TS的平均准确率高出21.1%。同时，在训练速度方面，CNN-TS平均比ResNet方法快8.43倍。