شبکه های درجه دوم اکسل در استخراج ویژگی ها در مقایسه با شبکه های معمولی

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

5.5. قابلیت استخراج ویژگی شبکه های درجه دوم و معمولی

پیش از این، ما از نظر تئوری نشان داده‌ایم که شبکه‌های درجه دوم توانایی استخراج ویژگی سیکلوستاری برتری نسبت به شبکه‌های معمولی دارند. همچنین لازم است عملکرد در عمل تایید شود. بنابراین، ما دو فیلتر دامنه زمانی با استفاده از لایه های کانولوشن درجه دوم و معمولی…