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
6. نتیجه گیری
در این مطالعه، ما یک رویکرد جدید به نام ClassBD برای تشخیص خطا در شرایط نویز سنگین معرفی کردهایم. ClassBD از فیلترهای BD عصبی زمان و فرکانس آبشاری تشکیل شده است که توسط یک یادگیری عمیق به دست آمده است.
طبقه بندی کننده به طور خاص، فیلتر زمان BD شبکه های عصبی کانولوشن درجه دوم (QCNN) را در بر می گیرد، و ما به صورت ریاضی آن را ثابت کرده ایم…