Tôi đoán rằng bằng tín hiệu 1D, bạn có nghĩa là dữ liệu chuỗi thời gian, trong đó bạn giả sử sự phụ thuộc tạm thời giữa các giá trị. Trong những trường hợp như vậy, mạng nơ ron tích chập (CNN) là một trong những cách tiếp cận có thể. Phổ biến phương pháp mạng nơron nhất để dữ liệu đó là sử dụng mạng thần kinh tái phát (RNN), nhưng bạn có thể lựa chọn sử dụng CNNs, hoặc phương pháp lai (mạng thần kinh gần như tái phát, QRNN) như đã trình bày bởi Bradbury et al (2016) , và cũng có thể minh họa trên hình của họ dưới đây. Ngoài ra còn có các cách tiếp cận khác, như sử dụng sự chú ý một mình, như trong mạng Transformer được mô tả bởi Vaswani et al (2017) , trong đó thông tin về thời gian được truyền qua các tính năng của loạt Fourier .
Với RNN , bạn sẽ sử dụng một ô lấy trạng thái ẩn trước đó và giá trị đầu vào hiện tại, để trả về đầu ra và trạng thái ẩn khác, để thông tin chảy qua các trạng thái ẩn . Với CNN, bạn sẽ sử dụng cửa sổ trượt có chiều rộng nào đó, trông sẽ có các mẫu (đã học) nhất định trong dữ liệu và xếp chồng các cửa sổ đó lên nhau, để các cửa sổ cấp cao hơn sẽ tìm các mẫu trong cấp thấp hơn hoa văn. Sử dụng các cửa sổ trượt như vậy có thể hữu ích cho việc tìm kiếm những thứ như lặp lại các mẫu trong dữ liệu (ví dụ: các mẫu theo mùa). Các lớp QRNN trộn cả hai cách tiếp cận. Trên thực tế, một trong những lợi thế của kiến trúc CNN và QRNN là chúng nhanh hơn RNN .