노이즈 주입을 이용한 시계열 분류를 위한 특징 추출

시계열 데이터는 종종 복잡하고 시간에 따라 변하는 패턴을 보여주며, 이는 데이터 변동성, 노이즈 및 불균형으로 인해 효과적인 분류에 상당한 도전을 야기합니다. 전통적인 시계열 분류 기술은 이러한 문제를 해결하는 데 자주 부족하여 일반화 성능이 감소합니다. 따라서 데이터 다양성과 품질을 향상시키기 위한 혁신적인 방법론이 필요합니다. 본 논문에서는 이러한 문제를 다루기 위해 노이즈 주입을 사용한 시계열 분류를 위한 특징 추출 방법을 소개합니다. 데이터 증강을 위한 노이즈 주입 기술을 활용하여 훈련 데이터의 다양성을 높입니다. 디지털 신호 처리(DSP)를 활용하여 샘플링, 양자화 및 푸리에 변환을 통해 시계열 데이터에서 주요 주파수 특징을 추출합니다. 이 과정은 훈련 데이터의 품질을 향상시켜 모델의 일반화 성능을 극대화합니다. 우리는 기존의 시계열 분류 모델과 비교하여 제안한 방법의 우수성을 입증합니다. 또한 다양한 실험 결과를 통해 우리의 접근 방식의 효과를 검증하며, 데이터 증강과 DSP 기술이 시계열 데이터 분류에 강력한 도구임을 확인합니다. 궁극적으로 이 연구는 시계열 데이터 분석 및 분류를 위한 강력한 방법론을 제시하며, 데이터 분석 문제 전반에 걸친 잠재적 응용을 가지고 있습니다.