Özet:
Son yıllarda, neredeyse tüm derin öğrenme uygulamaları için yapay veri kaçınılmaz bir ihtiyaç haline geldi. Veri üretimi üzerine yayınlanmış çalışmaların çoğu, ön işleme ve yeterli karakterizasyon olmaksızın sinyal üretimi için derin ağları kullanır. Bu nedenle, verileri düzgün bir şekilde özetlememek, sinyalin önemli yönlerinin dramatik bir şekilde kaybolmasına yol açar. Bu çalışmada, özgün verinin önemli özelliklerini içeren sinyal oluşturmak için genel bir yol öneriyoruz. Yaklaşımımız, sinyalleri gruplamak ve simüle etmek için zaman serisi kümeleme ve Üretken Düşman Ağları içerir. Çok küçük miktarda veriyle bile, model, veri setini etkili bir şekilde anlamlı kümelere bölebilir ve ilgili kümeyle yüksek monotonik ilişkilere sahip sinyaller üretebilir. Son olarak, ön işleme için kullanılan farklı zaman serisi kümeleme tekniklerinin deneysel sonuçlarını rapor ediyoruz ve hem sentetik hem de gerçek veriler için farklı yaklaşımların sonuçları istatistiksel olarak karşılaştırıyoruz.
