我一直在创建许多机器学习模型（决策树，增强模式等），这些模型具有通过信号处理和统计获得的特征（例如标准差，均值，幅度，曲线下面积等）。这些模型运行良好，但它们似乎缺少现实世界中的许多事件，用肉眼可以辨别。这使我相信我的功能缺少类的关键组成部分。我一直在研究信号处理的难题，但到目前为止，还没有那个尤里卡时刻。
现在我不是深度学习方面的专家，但是通过将数据合并到一个轴（即取幅值）中，可以得到令人满意的结果（即与当前模型一样好）。但是，再次采用幅度将删除信息。因此，我想知道是否存在一种使用深度学习的方法：1.从各个轴中选择特征，然后2.将它们用作其他深度学习者进行分类的输入。像这样：
My simple view of multiple axis deep learner。在这里，各个轴（即X，Y和Z）被输入到单独的深度学习器中，然后将输出输入到单个深度学习器中。
道歉，因为很多文本和缺乏示例，因为我不允许共享数据，而只是寻找有关深度学习是否有帮助的指导。感谢您抽出宝贵的时间阅读我的帖子。
答案 0 :(得分：0)
由于问题没有具体内容，因此只能以笼统的方式给出答案。 如果幅度产生良好的结果，则可以将X，Y，Z和幅度作为4个输入馈入单个深度学习器。
在这种情况下，您的深度学习者将可以使用a）轴的独立功能，b）将数据组合到单个轴中，c）轴之间的关系。
