मुझे लगता है कि 1 डी सिग्नल से आपका मतलब टाइम-सीरीज़ डेटा से है, जहाँ आप मानों के बीच लौकिक निर्भरता मानते हैं। ऐसे मामलों में कंफ्यूजनल न्यूरल नेटवर्क (CNN) संभावित दृष्टिकोणों में से एक है। इस तरह के डेटा के लिए सबसे लोकप्रिय तंत्रिका नेटवर्क आवर्तक तंत्रिका नेटवर्क (आरएनएन) का उपयोग करना है, लेकिन आप वैकल्पिक रूप से ब्रैडबरी अल (2016) द्वारा चर्चा के अनुसार सीएनएन, या हाइब्रिड दृष्टिकोण (अर्ध-आवर्तक तंत्रिका नेटवर्क, क्यूआरएनएन) का उपयोग कर सकते हैं। नीचे उनके चित्र पर चित्रित किया गया है। अन्य दृष्टिकोण भी, जैसे वासवानी एट अल (2017) द्वारा वर्णित ट्रांसफार्मर नेटवर्क में, अकेले ध्यान का उपयोग करना , जहां समय की जानकारी फूरियर श्रृंखला सुविधाओं के माध्यम से पारित की जाती है ।
आरएनएन के साथ , आप एक सेल का उपयोग करेंगे जो इनपुट के रूप में पिछले छिपे हुए राज्य और वर्तमान इनपुट मूल्य के रूप में लेता है, आउटपुट और एक अन्य छिपे हुए राज्य को वापस करने के लिए, इसलिए जानकारी छिपे हुए राज्यों से बहती है । सीएनएन के साथ, आप कुछ चौड़ाई की स्लाइडिंग विंडो का उपयोग करेंगे , जो डेटा में कुछ (सीखे हुए) पैटर्न को देखेगा, और ऐसी खिड़कियों को एक-दूसरे के ऊपर ढेर कर देगा, ताकि उच्च-स्तरीय विंडो निचले स्तर के पैटर्न की तलाश करेंगी पैटर्न। ऐसी स्लाइडिंग विंडो का उपयोग डेटा के भीतर दोहराई जाने वाली पैटर्न (जैसे मौसमी पैटर्न) जैसी चीजों को खोजने के लिए सहायक हो सकता है। QRNN लेयर्स दोनों एप्रोच को मिलाती हैं। वास्तव में, CNN और QRNN आर्किटेक्चर के फायदों में से एक यह है कि वे तेज होते हैं फिर RNN ।
