Giả sử tôi có một tập hợp các tín hiệu miền thời gian hoàn toàn không có nhãn . Tôi muốn phân cụm chúng trong 2 hoặc 3 lớp. Autoencoders là các mạng không giám sát, học cách nén các đầu vào. Vì vậy, cho một đầu vào , trọng lượng W 1 và W 2 , thành kiến b 1 và b 2 , và đầu ra x ( i ) , chúng ta có thể tìm ra mối quan hệ sau:
x ( i ) = W 2 z ( i ) + b 2
Vì vậy, sẽ là một dạng nén của x ( i ) , và x ( i ) việc tái thiết sau này. Càng xa càng tốt.
Điều tôi không hiểu là làm thế nào điều này có thể được sử dụng để phân cụm (nếu có bất kỳ cách nào để làm điều đó). Ví dụ, trong hình đầu tiên của bài báo này , có một sơ đồ khối tôi không chắc là mình hiểu. Nó sử dụng làm đầu vào cho mạng chuyển tiếp, nhưng không có đề cập đến cách mạng đó được đào tạo. Tôi không biết nếu có điều gì đó tôi bỏ qua hoặc nếu bài báo không đầy đủ. Ngoài ra, hướng dẫn này ở phần cuối cho thấy các trọng số được học bởi bộ mã hóa tự động và dường như chúng là hạt nhân mà một CNN sẽ học để phân loại hình ảnh. Vì vậy, ... tôi đoán trọng lượng của trình tự động có thể được sử dụng bằng cách nào đó trong mạng chuyển tiếp để phân loại, nhưng tôi không biết làm thế nào.
Nghi ngờ của tôi là:
Quan sát: lưu ý rằng tôi đã sử dụng MLP làm ví dụ vì đây là kiến trúc cơ bản nhất, nhưng câu hỏi áp dụng cho bất kỳ mạng thần kinh nào khác có thể được sử dụng để phân loại tín hiệu miền thời gian.