چگونه شبکه های عصبی جدید پردازش سیگنال را در تشخیص خطا بهبود می بخشند

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

3.3. فیلتر خطی دامنه فرکانس با تابع هدف طیف پوششی

در چارچوب ما، فیلتر حوزه فرکانس به عنوان یک ماژول کمکی عمل می‌کند و قابلیت دستکاری مستقیم دامنه فرکانس سیگنال را دارد. ایده اصلی شامل استفاده از شبکه عصبی به عنوان یک فیلتر در حوزه فرکانس است که توسط تبدیل فوریه تسهیل می شود.