مطالعه پیشرفت‌هایی را در شبکه‌های عصبی مرتبه بالا برای کاربردهای صنعتی نشان می‌دهد

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

2.2. شبکه های عصبی درجه دوم

مفهوم شبکه های عصبی مرتبه بالا که به عنوان شبکه های عصبی چند جمله ای نیز شناخته می شوند، ریشه در دهه 1970 دارد. روش گروهی مدیریت داده (GMDH)، که از یک شبکه چند جمله ای به عنوان استخراج کننده ویژگی استفاده می کند، اولین بار توسط ایواخننکو پیشنهاد شد. [42]. متعاقباً شین و گوش [43] شبکه پی سیگما را برای ترکیب چند جمله ای مرتبه بالا معرفی کرد…