第9名方案简述

以下是我们解决方案的简要总结。

主要方法

• “魔法”偏移： 针对11类批次应用 2.724 的偏移量，并从训练集中删除第7批次。这是我们在本次比赛中的第一个“发现”。
• 信号清洗： 结合了一些维纳滤波器和带阻滤波器来清洗信号。这对简单模型帮助很大（GMM 在 CV 上得分 0.941，朴素贝叶斯在 CV 上得分 0.942），但不幸的是，它对我们的 WaveNet 没有任何影响。因此，我们将其用于 GMM，随后 GMM 的加权预测和 GMM 的概率被用作我们神经网络（NN）的特征。
• 噪声清洗： 清除 50Hz 的噪声。

尝试过但无效的方法

• HMM 采样
• 融合/堆叠
• TCNN
• CRF