Одномерные скользят вдоль времени и выделяют локальные формы сигнала независимо от того, когда те случились.
Ключевые тезисы
- Фильтр ищет паттерн (скачок, ступеньку, пик) в любом месте окна — свойство трансляционной инвариантности.
- Общие веса делают сеть на порядок компактнее полносвязной на том же окне: параметров десятки, а не десятки тысяч.
- Несколько каналов на входе — естественный способ подать сразу все датчики установки.
Подробный разбор
скользит вдоль оси времени и на каждом положении считает одно и то же взвешенное . Значит, фильтр, научившийся узнавать резкий скачок давления, найдёт его в любом месте окна — это трансляционная инвариантность. Полносвязной сети пришлось бы выучивать этот же паттерн заново для каждой позиции.
| Полносвязный слой | 1D-свёртка | |
|---|---|---|
| Параметров на 512 → 64 канала | ≈ 33 000 на нейрон | ядро 5 × число каналов |
| Инвариантность к сдвигу | нет | есть по построению |
| Многоканальный вход | конкатенация, всё смешивается | естественно: канал на датчик |
# вход: (batch, каналы=датчики, время)
net = nn.Sequential(
nn.Conv1d(n_sensors, 64, kernel_size=5, padding=2), nn.ReLU(),
nn.Conv1d(64, 64, kernel_size=5, padding=2), nn.ReLU(),
nn.AdaptiveAvgPool1d(1), nn.Flatten(),
nn.Linear(64, 1),
)видят только своё рецептивное поле. Если важна зависимость на сотни отсчётов назад, одного-двух слоёв мало — нужен с расширением (TCN) или .
Связанные темы
Свёртки и физика в рядах
Temporal Convolutional Network80%
TCN · Временные рядыСтек причинных свёрток с экспоненциально растущим расширением: длинный контекст без рекуррентности.
Physics-Informed Neural Networks80%
PINN · Временные рядыСеть, у которой в функцию потерь встроены уравнения процесса: решение согласовано с физикой даже там, где данных нет.
Transformer forecasting80%
Трансформеры для прогноза · Временные рядыВнимание над длинными горизонтами: Informer, Autoformer, PatchTST, TFT.
RNN/LSTM80%
RNN/LSTM для рядов · Временные рядыНейросети, обучаемые сразу на множестве связанных рядов, улавливают общие паттерны.
CNN80%
Свёрточные сети · Глубокое обучениеРазделяемые фильтры скользят по изображению, выявляя локальные паттерны с трансляционной инвариантностью.
Глава «Временные ряды» последний раз правилась . Нашли ошибку — напишите.