Нейронная сеть для распознавания амплитудно-временного паттерна

Цель: 

Объект может функционировать в 2-х состояниях S0 и S1. Имеются аппаратные датчики, 8 штук, которые выдают сигнал в реалтайме.

Информация с датчиков предполагается дает позволить распознать состояние S0 и S1, в котором находится система.

Однако, мы не имеем процедуры, которая бы позволила это распознать.

Требуется разработать такую процедуру, со хорошей стабильной вероятностью распознавания состояний S0 и S1.

Описание:

Создать нейронную сеть (далее - NN) для удовлетворения вышеуказанной цели.

Ее тип, архитектура, параметры определяются разработчиком.

NN должна быть обучена распознаванию S0/S1 с помощью предоставляемого набора датасетов, которые состоят из фрагментов временного сигнала по каждому датчику, и имеющих известные состояния S0/S1.

Размер фрагмента может быть изменен по желанию разработчика, в целях достижения наилучшего результата.

Желательно, чтобы время распознавание состояния было как можно меньше.

Распознавание считается стабильным, если на тестовом наборе дает распознавание гораздо лучше, чем 0,5. Данный критерий обсуждаем с разработчиком.

Ресурсы:

Датасеты с фрагментами данных, помеченными как S1 и S0, по каждому из датчиков. В фрагменте находятся последовательные raw отсчеты уровня сигнала формата int16 для определенного датчика.

Фрагмент соответствует 1 минуте. Предполагается (возможно, неверно), что данная величина фрагмента оптимальна для достижения наилучшего распознавания.

Датасет содержит примерно 60 минут фрагментов по каждому из 8 датчиков.

В данный момент имеется 10 датасетов, для обучения сети. Возможно сделать больше датасетов, всего около 20.

Рабочая программа NN должна быть под платформу OS Windows или Linux, использовать майнстримовые CPU (например, Intel Core i7) или GPU (например, Nvidia GTX 1080).

Тестирование:

После обучения, NN тестируется с помощью предоставляемых позднее тестовых датасетов.

Тестирование считается пройденным успешно, если распознавание S0/S1 в тестовых датасетах гораздо лучше, чем 0,5. Точное значение обсуждаемо с разработчиком.

Результат работ:

- Тип и архитектура NN

- Описание алгоритма NN

- Исходные коды программы NN

- Работоспособная программа NN 

- Инструкции по сборке программы NN