machine-learning - 识别时间序列数据中的模式

我目前的目标是建立一个识别时间序列数据模式的系统。

最终目标是：给定休息时间序列数据的N个部分，对N个信号之间相似度最大的部分进行分类。子模式全部相同或伪相同，但是时移的间隔不同。

我研究了各种各样的事物，包括Dynamic Time Warping，Bag of Patterns searches，卡尔曼滤波器以及我记得大学时还记得的其他几种信号处理技术（卷积，傅立叶，拉普拉斯）。 / p>

但是，由于未预定义模式，因此它们似乎都不够用，因此我不能使用匹配过滤器之类的东西。我假设我必须使用RNN或LSTM之类的东西来识别信号之间的模式。

我想知道是否有关于此主题的资源，或者在我转向RNN建模之前是否有建议的最佳解决方案。