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
5.4. استفاده از ClassBD برای طبقهبندیکنندههای یادگیری ماشین
در مقایسه مدلهای یادگیری عمیق، طبقهبندیکنندههای یادگیری ماشین کلاسیک (ML) مزایای مشخصی از جمله تفسیرپذیری قوی و مدلهای سبک را ارائه میدهند. با این حال، این روشهای ML “کم عمق” همیشه به آنها تکیه میکنند
ویژگیهای مهندسی شده توسط انسان برای تشخیص خطای تحمل، در نتیجه توانایی تعمیم محدودی را نشان میدهد…