networks

# 深度学习网络 Aeon 提供了专为时间序列任务设计的神经网络架构。这些网络可作为分类、回归、聚类和预测任务的构建模块。 ## 核心网络架构 ### 卷积网络 **FCNNetwork** - 全卷积网络 - 带有批量归一化的三个卷积块 - 用于降维的全局平均池化 - **适用场景**：需要简单且有效的 CNN 基准时 **ResNetNetwork** - 残差网络 - 带有跳跃连接的残差块 - 防止深层网络中的梯度消失 - **适用场景**：需要深层网络，且训练稳定性很重要时 **InceptionNetwork** - Inception 模块 - 带有并行卷积的多尺度特征提取 - 不同核大小捕获不同尺度的模式 - **适用场景**：模式存在于多个时间尺度时 **TimeCNNNetwork** - 标准 CNN - 基础卷积架构 - **适用场景**：简单的 CNN 已足够，且重视可解释性时 **DisjointCNNNetwork** - 分离路径 - 分离的卷积路径 - **适用场景**：需要不同特征提取策略时 **DCNNNetwork** - 空洞 CNN - 用于大感受野的空洞卷积 - **适用场景**：在不增加过多层数的情况下处理长程依赖时 ### 循环网络 **RecurrentNetwork** - RNN/LSTM/GRU - 可配置的单元类型 (RNN, LSTM, GRU) - 时间依赖性的序列建模 - **适用场景**：序列依赖性至关重要，或处理变长序列时 ### 时间卷积网络 **TCNNetwork** - 时间卷积网络 - 空洞因果卷积 - 无需循环即可实现大感受野 - **适用场景**：长序列，需要可并行化架构时 ### 多层感知机 **MLPNetwork** - 基础前馈网络 - 简单的全连接层 - 在处理前展平时间序列 - **适用场景**：需要基准、计算资源受限或模式简单时 ## 基于编码器的架构 专为表征学习和聚类设计的网络。 ### 自编码器变体 **EncoderNetwork** - 通用编码器 - 灵活的编码器结构 - **适用场景**：需要自定义编码时 **AEFCNNetwork** - 基于 FCN 的自编码器 - 全卷积编码器-解码器 - **适用场景**：需要卷积表征学习时 **AEResNetNetwork** - ResNet 自编码器 - 编码器-解码器中的残差块 - **适用场景**：需要带有跳跃连接的深度自编码时 **AEDCNNNetwork** - 空洞 CNN 自编码器