Tyrimas nagrinėja laiko eilučių transformavimą į vaizdus, siekiant taikyti konvoliucinius neuroninius tinklus (angl. Convolutional Neural Networks, CNN) klasifikavimui. Apžvelgiami trys metodai: Gramo kampinis sumavimo laukas (angl. Gramian Angular Summation Field, GASF), Gramo kampinis skirtumų laukas (angl. Gramian Angular Difference Field, GADF) bei Markovo perėjimo laukai (angl. Markov Transition Field, MTF). CNN modelis pritaikytas šešiems skirtingiems duomenų rinkiniams, transformuotiems minėtais metodais. Rezultatai rodo, kad metodų efektyvumas priklauso nuo duomenų pobūdžio, tačiau GADF dažniau pasiekė geresnius rezultatus. Pateikiamos rekomendacijos, kaip pasirinkti tinkamiausią transformaciją klasifikavimo tikslumui gerinti.
Šis kūrinys yra platinamas pagal Kūrybinių bendrijų Priskyrimas 4.0 tarptautinę licenciją.