Fugu-MT 論文翻訳(概要): Trainable Wavelet Neural Network for Non-Stationary Signals

論文の概要: Trainable Wavelet Neural Network for Non-Stationary Signals

arxiv url: http://arxiv.org/abs/2205.03355v1
Date: Fri, 6 May 2022 16:41:27 GMT
ステータス: 処理完了
システム内更新日: 2022-05-09 13:55:08.082329
Title: Trainable Wavelet Neural Network for Non-Stationary Signals
Title（参考訳）: 非定常信号のためのトレーニング可能なウェーブレットニューラルネットワーク
Authors: Jason Stock and Chuck Anderson
Abstract要約: 本研究は,非定常信号に適合するフィルタバンクを学習するためのウェーブレットニューラルネットワークを導入し,デジタル信号処理の解釈性と性能を向上させる。このネットワークは、複雑なモレットウェーブレットのパラメータ化関数である畳み込みがニューラルネットワークの第1層としてウェーブレット変換を使用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This work introduces a wavelet neural network to learn a filter-bank specialized to fit non-stationary signals and improve interpretability and performance for digital signal processing. The network uses a wavelet transform as the first layer of a neural network where the convolution is a parameterized function of the complex Morlet wavelet. Experimental results, on both simplified data and atmospheric gravity waves, show the network is quick to converge, generalizes well on noisy data, and outperforms standard network architectures.
Abstract（参考訳）: 本研究は,非定常信号に適合するフィルタバンクを学習するためのウェーブレットニューラルネットワークを導入し,デジタル信号処理の解釈性と性能を向上させる。このネットワークは、複雑なモレットウェーブレットのパラメータ化関数である畳み込みがニューラルネットワークの第1層としてウェーブレット変換を使用する。実験結果は、簡易データと大気重力波の両方で、ネットワークが収束し、ノイズの多いデータでよく一般化し、標準のネットワークアーキテクチャよりも優れています。

関連論文リスト

GaborPINN: Efficient physics informed neural networks using multiplicative filtered networks [0.0]
物理インフォームドニューラルネットワーク(PINN)は、ニューラルネットワーク(NN)で表される機能的ウェーブフィールドソリューションを提供する本稿では,学習における波動場の特徴のいくつかを組み込んだ乗算フィルタネットワークを用いた改良PINNを提案する。提案手法は,従来のPINNと比較して,収束速度が最大2マグニチュード向上する。
論文参考訳（メタデータ） (2023-08-10T19:51:00Z)
A Scalable Walsh-Hadamard Regularizer to Overcome the Low-degree Spectral Bias of Neural Networks [79.28094304325116]
任意の関数を学習するニューラルネットワークの能力にもかかわらず、勾配降下によって訓練されたモデルは、しばしばより単純な関数に対するバイアスを示す。我々は、この低度周波数に対するスペクトルバイアスが、現実のデータセットにおけるニューラルネットワークの一般化を実際にいかに損なうかを示す。本稿では,ニューラルネットワークによる高次周波数学習を支援する,スケーラブルな機能正規化手法を提案する。
論文参考訳（メタデータ） (2023-05-16T20:06:01Z)
Properties and Potential Applications of Random Functional-Linked Types of Neural Networks [81.56822938033119]
ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。本稿では周波数領域の観点からRFLNNの特性について考察する。本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
論文参考訳（メタデータ） (2023-04-03T13:25:22Z)
Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
論文参考訳（メタデータ） (2022-05-31T07:23:42Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
WaveSense: Efficient Temporal Convolutions with Spiking Neural Networks for Keyword Spotting [1.0152838128195467]
拡張時間畳み込みの自然な代替としてスパイキングニューラルダイナミクスを提案する。このアイデアをWaveNetアーキテクチャにインスパイアされたスパイクニューラルネットワークであるWaveSenseに拡張します。
論文参考訳（メタデータ） (2021-11-02T09:38:22Z)
Parallel frequency function-deep neural network for efficient complex broadband signal approximation [1.536989504296526]
ニューラルネットワークは本質的に、特徴フィッティングのためのネットワーク重みを調整することで、高次元の複雑なマッピングモデルである。ネットワークトレーニングにおけるスペクトルバイアスは、ブロードバンド信号に高周波成分を適合させるには耐え難い訓練エポックをもたらす。並列周波数関数ディープニューラルネットワーク(PFF-DNN)を提案する。
論文参考訳（メタデータ） (2021-06-19T01:39:13Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
T-WaveNet: Tree-Structured Wavelet Neural Network for Sensor-Based Time Series Analysis [9.449017120452675]
センサデータ解析のための新しい木構造ウェーブレットニューラルネットワークである emphT-WaveNet を提案する。 T-WaveNetは、センサ情報を既存の技術よりも効果的に表現し、様々なセンサデータセット上で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-12-10T05:07:28Z)
Wavelet Channel Attention Module with a Fusion Network for Single Image Deraining [46.62290347397139]
雨が画像の視界を著しく悪化させるため、単一画像のデライン化は重要な問題である。融合ネットワークを用いたウェーブレットチャネルアテンションモジュールと呼ばれる新しい畳み込みニューラルネットワーク(CNN)を提案する。
論文参考訳（メタデータ） (2020-07-17T18:06:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。