一种适用于卷积结构的非图像数据预处理方法

卷积神经网络凭借局部相关和权值共享等优良特性而广泛应用于图像处理领域,成为最受欢迎的神经网络架构之一.然而,对于基因组、语音和金融等非图像形式的数据,传统的卷积网络可能无法完全适用.为了摆脱这一困境,科研人员不断尝试研发诸如循环神经网络以及注意力机制网络等可用于解析非图像数据的网络结构,拓展神经网络的应用范围.新型网络架构的研发无疑是困难且耗费巨大的,从另一个角度出发,提出一种适用于卷积网络结构的数据预处理方法.通过处理源数据,将其转换为特定的一维特征向量或二维图像矩阵,接着送入自定义卷积结构中观察其算法表现.实验采用UCI和Kaggle平台上的经典数据集进行测试并使用了 SVM、决策树、随机森林等传统机器学习模型来对比该方法的可行性和有效性.