محققان چارچوب جدیدی را با ترکیب فیلترهای دامنه زمان و فرکانس پیشنهاد می کنند

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. روش شناسی

چارچوب پیشنهادی، همانطور که در شکل 1 نشان داده شده است، در درجه اول از دو فیلتر BD، یعنی یک فیلتر کانولوشن درجه دوم حوزه زمانی و یک فیلتر خطی حوزه فرکانس تشکیل شده است. این فیلترها به‌عنوان یک ماژول حذف نویز plug-and-play عمل می‌کنند و به گونه‌ای طراحی شده‌اند که عملکرد مشابه روش‌های BD معمولی را انجام دهند تا اطمینان حاصل شود که خروجی در همان ابعاد است.