論文の概要: RRCNN$^{+}$: An Enhanced Residual Recursive Convolutional Neural Network for Non-stationary Signal Decomposition

• arxiv url: http://arxiv.org/abs/2309.04782v1
• Date: Sat, 9 Sep 2023 13:00:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 16:29:53.251492
• Title: RRCNN$^{+}$: An Enhanced Residual Recursive Convolutional Neural Network for Non-stationary Signal Decomposition
• Title（参考訳）: RRCNN$^{+}$:非定常信号分解のためのResidual Recursive Convolutional Neural Networkの拡張
• Authors: Feng Zhou, Antonio Cicone, Haomin Zhou
• Abstract要約: 本研究では,非定常信号を準定常成分に分解する新しい手法を提案する。 本研究では,深層学習と最適化の手法を駆使してRCNNをさらに改良することを目的とする。
• 参考スコア（独自算出の注目度）: 9.736778471284712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-frequency analysis is an important and challenging task in many applications. Fourier and wavelet analysis are two classic methods that have achieved remarkable success in many fields. They also exhibit limitations when applied to nonlinear and non-stationary signals. To address this challenge, a series of nonlinear and adaptive methods, pioneered by the empirical mode decomposition method have been proposed. Their aim is to decompose a non-stationary signal into quasi-stationary components which reveal better features in the time-frequency analysis. Recently, inspired by deep learning, we proposed a novel method called residual recursive convolutional neural network (RRCNN). Not only RRCNN can achieve more stable decomposition than existing methods while batch processing large-scale signals with low computational cost, but also deep learning provides a unique perspective for non-stationary signal decomposition. In this study, we aim to further improve RRCNN with the help of several nimble techniques from deep learning and optimization to ameliorate the method and overcome some of the limitations of this technique.
• Abstract（参考訳）: 時間周波数分析は多くのアプリケーションにおいて重要かつ困難な課題である。 フーリエ解析とウェーブレット解析は、多くの分野で顕著な成功を収めた2つの古典的な手法である。 また、非線形信号や非定常信号にも適用できる。 この課題に対処するために,経験的モード分解法による非線形適応法が提案されている。 彼らの目標は、非定常信号を準定常成分に分解し、時間周波数分析のより良い特徴を明らかにすることである。 近年,深層学習に触発され,残余再帰的畳み込みニューラルネットワーク(rrcnn)と呼ばれる新しい手法が提案されている。 rrcnnは、計算コストの低い大規模信号をバッチ処理しながら、既存の方法よりも安定した分解を実現するだけでなく、非定常信号分解に対するユニークな視点を提供する。 本研究では,本手法の限界を克服するために,深層学習や最適化といったニムブル手法を駆使して,rrcnnをさらに改善することを目指している。

関連論文リスト

• An Unsupervised Deep Learning Approach for the Wave Equation Inverse Problem [12.676629870617337]
  フルウェーブフォーム・インバージョン(FWI)は、高分解能地下物理パラメータを推定する強力な物理画像技術である。 観測の限界、限られたショットや受信機、ランダムノイズなどにより、従来の逆転法は多くの課題に直面している。 物理速度パラメータを正確に再構成することを目的とした教師なし学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T08:39:33Z)
• RRCNN: A novel signal decomposition approach based on recurrent residue convolutional neural network [7.5123109191537205]
  本稿では,ディープラーニングの枠組みに基づく非定常信号分解手法を提案する。 我々は、畳み込みニューラルネットワーク、残留構造、非線形活性化関数を用いて、信号の局所平均を革新的な方法で計算する。 実験では,局所的な平均値の計算と信号分解の2点から提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-07-04T13:53:01Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Deep unfolding as iterative regularization for imaging inverse problems [6.485466095579992]
  ディープ展開法は、反復アルゴリズムを通じてディープニューラルネットワーク(DNN)の設計を導く。 展開されたDNNが安定して収束することを証明する。 提案手法が従来の展開法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:38:47Z)
• Deep learning based sferics recognition for AMT data processing in the dead band [5.683853455697258]
  AMT (Audio magnetotellurics) 音波データ処理では、ある時間帯における干渉信号の欠如は、一般的にATTデッドバンドのエネルギー不足をもたらす。 本稿では,長期にわたって冗長に記録されたデータからスフェリック信号を自動的に認識するディープ畳み込みニューラルネットワーク(CNN)を提案する。 本手法はS/Nを大幅に改善し, デッドバンドのエネルギー不足を効果的に解決する。
  論文  参考訳（メタデータ） (2022-09-22T02:31:28Z)
• Overcoming the Spectral Bias of Neural Value Approximation [17.546011419043644]
  ディープニューラルネットワークを用いた値近似は、アルゴリズムの他の部分に学習信号を提供する主要なモジュールであることが多い。 神経核レグレッションにおける最近の研究は、スペクトルバイアスの存在を示唆している。そこでは、値関数の高周波成分を適合させるには、低周波成分よりも指数関数的に多くの勾配更新ステップが必要である。 我々は、カーネルレグレッションのレンズを通して、非政治強化学習を再検討し、複合神経カーネルを介してそのようなバイアスを克服することを提案する。
  論文  参考訳（メタデータ） (2022-06-09T17:59:57Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Short-Term Memory Optimization in Recurrent Neural Networks by Autoencoder-based Initialization [79.42778415729475]
  線形オートエンコーダを用いた列列の明示的暗記に基づく代替解を提案する。 このような事前学習が、長いシーケンスで難しい分類タスクを解くのにどのように役立つかを示す。 提案手法は, 長周期の復元誤差をはるかに小さくし, 微調整時の勾配伝播を良くすることを示す。
  論文  参考訳（メタデータ） (2020-11-05T14:57:16Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• RNN Training along Locally Optimal Trajectories via Frank-Wolfe Algorithm [50.76576946099215]
  小領域の損失面に局所的なミニマを反復的に求めることにより,RNNの新規かつ効率的なトレーニング手法を提案する。 新たなRNNトレーニング手法を開発し,追加コストを伴っても,全体のトレーニングコストがバックプロパゲーションよりも低いことを実証的に観察した。
  論文  参考訳（メタデータ） (2020-10-12T01:59:18Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。