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

• arxiv url: http://arxiv.org/abs/2309.04782v2
• Date: Thu, 24 Oct 2024 15:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:49:29.132389
• Title: IRCNN$^{+}$: An Enhanced Iterative Residual Convolutional Neural Network for Non-stationary Signal Decomposition
• Title（参考訳）: IRCNN$^{+}$:非定常信号分解のための繰り返し残差畳み込みニューラルネットワーク
• Authors: Feng Zhou, Antonio Cicone, Haomin Zhou,
• Abstract要約: 反復残差畳み込みニューラルネットワーク(IRCNN)という新しい手法を提案する。 IRCNNは既存の手法よりも安定した分解を実現するが、計算コストの低い大規模信号のバッチ処理も行う。 本研究では,深層学習と最適化のいくつかの手法を駆使して,IRCNNをさらに改良することを目的としている。
• 参考スコア（独自算出の注目度）: 8.663386718382524
• License:
• 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. However, 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. The goal of these methods is to decompose a non-stationary signal into quasi-stationary components that enhance the clarity of features during time-frequency analysis. Recently, inspired by deep learning, we proposed a novel method called iterative residual convolutional neural network (IRCNN). IRCNN not only achieves more stable decomposition than existing methods but also handles batch processing of large-scale signals with low computational cost. Moreover, deep learning provides a unique perspective for non-stationary signal decomposition. In this study, we aim to further improve IRCNN 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。 フーリエ法とウェーブレット法は、多くの分野で大きな成功を収めた古典的な方法である。 しかし、非線形信号や非定常信号に適用する場合にも制限がある。 この課題に対処するために、経験的モード分解法によって先導された一連の非線形および適応的な手法が提案されている。 これらの手法の目的は、時間周波数解析における特徴の明確性を高めるために、非定常信号を準定常成分に分解することである。 近年,ディープラーニングに触発されて,反復残差畳み込みニューラルネットワーク (IRCNN) と呼ばれる新しい手法が提案されている。 IRCNNは、既存の方法よりも安定した分解を実現するだけでなく、計算コストの低い大規模信号のバッチ処理も行う。 さらに、ディープラーニングは非定常信号分解にユニークな視点を提供する。 本研究では,本手法のいくつかの制限を克服するために,深層学習から最適化まで,いくつかのピンブル手法の助けを借りてIRCNNをさらに改善することを目的としている。

関連論文リスト

• Gradient-Free Training of Recurrent Neural Networks using Random Perturbations [1.1742364055094265]
  リカレントニューラルネットワーク(RNN)は、チューリング完全性とシーケンシャルな処理能力のために、計算の潜在能力を秘めている。 時間によるバックプロパゲーション(BPTT)は、時間とともにRNNをアンロールすることでバックプロパゲーションアルゴリズムを拡張する。 BPTTは、前方と後方のフェーズをインターリーブし、正確な勾配情報を格納する必要があるなど、大きな欠点に悩まされている。 BPTTと競合するRNNにおける摂動学習に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-14T21:15:29Z)
• Hierarchical deep learning-based adaptive time-stepping scheme for multiscale simulations [0.0]
  本研究では,ディープニューラルネットワークを用いたマルチスケール問題のシミュレーション手法を提案する。 ニューラルネットワークのタイムステッパーの階層的学習を活用することで、タイムスケールにわたる動的システムフローマップの近似に時間ステップを適用する。 このアプローチは、固定ステップニューラルネットワークソルバと比較して計算時間が少なくて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-11-10T09:47:58Z)
• 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)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• 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)
• An application of the splitting-up method for the computation of a neural network representation for the solution for the filtering equations [68.8204255655161]
  フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。 フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。 我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
  論文  参考訳（メタデータ） (2022-01-10T11:01:36Z)
• 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)
• 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)

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。