شبکه های عصبی درجه دوم در مدیریت نویز و عدم تعادل داده ها نوید می دهند

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

3.1. فیلتر کانولوشن درجه دوم حوزه زمان

همانطور که قبلاً ذکر شد، شبکه‌های عصبی کانولوشنال درجه دوم (QCNN) یک جزء اساسی اساسی در فیلتر حوزه زمان است. در این مقاله، ما از نورون درجه دوم پیشنهاد شده توسط فن و همکاران استفاده می‌کنیم. [34]، که به صورت زیر بیان می شود:

که در آن ∗ عملیات کانولوشن را نشان می دهد.

در حال حاضر شبکه های درجه دوم نشان داده شده اند که …