درک یکنواختی تابع هدف پراکندگی

جدول پیوندها

چکیده و 1. مقدمه

2. مقدمات و 2.1. دکانولوشن کور

2.2. شبکه های عصبی درجه دوم

3. روش شناسی

3.1. فیلتر کانولوشن درجه دوم حوزه زمان

3.2. برتری استخراج ویژگی های چرخه ای توسط QCNN

3.3. فیلتر خطی دامنه فرکانس با تابع هدف طیف پوششی

3.4. بهینه سازی یکپارچه با طرح توزین آگاه از عدم قطعیت

4. آزمایشات محاسباتی

4.1. تنظیمات آزمایشی

4.2. مطالعه موردی 1: مجموعه داده PU

4.3. مطالعه موردی 2: مجموعه داده JNU

4.4. مطالعه موردی 3: مجموعه داده HIT

5. آزمایشات محاسباتی

5.1. مقایسه روش های BD

5.2. نتایج طبقه بندی در شرایط مختلف نویز

5.3. استفاده از ClassBD برای طبقه بندی کننده های یادگیری عمیق

5.4. استفاده از ClassBD برای طبقه‌بندی‌کننده‌های یادگیری ماشین

5.5. قابلیت استخراج ویژگی شبکه های درجه دوم و معمولی

5.6. مقایسه فیلترهای ClassBD

6. نتیجه گیری

پیوست و مراجع

ضمیمه

یکنواختی تابع هدف پراکندگی به صورت زیر بدست می آید [31, 39]:

سپس، عدد (38) به صورت زیر ساده می شود:

وقتی 𝑝 0 0، نابرابری زیر برقرار است:

بنابراین با جایگزینی (40) به (38)، داریم:

به طور مشابه، زمانی که 0

مراجع

[1] RB Randall, V.-b. ج. نظارت، کاربردهای صنعتی، هوافضا و خودروسازی، شرایط مبتنی بر ارتعاش…