将 CNN 应用于快速傅里叶变换？
Applying CNN to Fast time Fourier Transform?
我有应用了快速时间傅里叶变换的数据。
（特定赫兹的振幅）
网上有将CNN应用于mel谱图的解决方案，但是我没有看到将CNN应用于快速傅里叶变换信号的解决方案。
是否有可能将 CNN 应用于快速傅立叶变换信号？
或者是因为CNN在考虑时间属性，所以不可能？
谢谢！
我假设您电子表格的每一行都是 IID，例如它不会将问题更改为该电子表格中的 re-order 行。
在这种情况下，您遇到了一个非常典型的 ML 问题。已经应用 FFT 并提取特定频率响应（列）的事实是称为“特征工程”的过程。在普遍使用神经网络之前，这是所有机器学习问题的标准步骤，并且在许多领域仍然很常见。
对于经过特征工程处理的数据，您应该考虑传统的 ML 算法。我想到了随机森林、XGBoost 和线性回归。完全连接的神经网络也是合适的，但我通常希望它 under-perform 其他 ML 方法。
CNN 的特点是它对有序的数据序列进行操作。在您的情况下，从中派生数据集的原始数据适用于 CNN。在声音文件中，您有一个一维信息序列。在不从根本上改变其含义的情况下，您无法 re-order 时间维度中的数据。
2D CNN 在 X 和 Y 中的像素顺序无法更改的图像上运行。同样，数据的顺序很重要。这同样适用于 3D CNN。
请注意，FFT 的应用从根本上偏离了您的解决方案，因为它仅在一组有限的频率响应中表示。所有特征工程都从根本上偏向了问题，大概以一种很好的 thoughout-out 方式。然而，数据中完全有可能存在其他有用的信号，这些信号在 10、20、30 Hz 等频率下未由 FFT 表示。CNN 有能力学习自己版本的 FFT 以及其他非循环模式。通常，缺少特征工程步骤是 CNN 和传统 ML 算法之间的关键区别。
我有应用了快速时间傅里叶变换的数据。 （特定赫兹的振幅）
网上有将CNN应用于mel谱图的解决方案，但是我没有看到将CNN应用于快速傅里叶变换信号的解决方案。
是否有可能将 CNN 应用于快速傅立叶变换信号？
或者是因为CNN在考虑时间属性，所以不可能？
谢谢！
我假设您电子表格的每一行都是 IID，例如它不会将问题更改为该电子表格中的 re-order 行。
在这种情况下，您遇到了一个非常典型的 ML 问题。已经应用 FFT 并提取特定频率响应（列）的事实是称为“特征工程”的过程。在普遍使用神经网络之前，这是所有机器学习问题的标准步骤，并且在许多领域仍然很常见。
对于经过特征工程处理的数据，您应该考虑传统的 ML 算法。我想到了随机森林、XGBoost 和线性回归。完全连接的神经网络也是合适的，但我通常希望它 under-perform 其他 ML 方法。
CNN 的特点是它对有序的数据序列进行操作。在您的情况下，从中派生数据集的原始数据适用于 CNN。在声音文件中，您有一个一维信息序列。在不从根本上改变其含义的情况下，您无法 re-order 时间维度中的数据。
2D CNN 在 X 和 Y 中的像素顺序无法更改的图像上运行。同样，数据的顺序很重要。这同样适用于 3D CNN。
请注意，FFT 的应用从根本上偏离了您的解决方案，因为它仅在一组有限的频率响应中表示。所有特征工程都从根本上偏向了问题，大概以一种很好的 thoughout-out 方式。然而，数据中完全有可能存在其他有用的信号，这些信号在 10、20、30 Hz 等频率下未由 FFT 表示。CNN 有能力学习自己版本的 FFT 以及其他非循环模式。通常，缺少特征工程步骤是 CNN 和传统 ML 算法之间的关键区别。