用于非平稳物理数据机器学习的复值神经网络
机器学习
2020-11-17 v2 计算机视觉与模式识别
计算物理
地球物理
机器学习
摘要
深度学习已成为大多数科学领域（包括物理科学）中备受关注的领域。现代网络对数据施加实值变换。特别地，卷积神经网络中的卷积完全丢弃了相位信息。许多确定性信号，如地震数据或电信号，在信号的相位中包含重要信息。我们探索复值深度卷积网络以利用非线性特征映射。地震数据通常施加低切滤波器，以衰减海浪及类似长波长贡献的噪声。丢弃相位信息会导致类似于高频奈奎斯特-香农定理的低频混叠。在非平稳数据中，相位内容可稳定训练并提升神经网络泛化能力。尽管已有研究表明深度神经网络中可恢复相位内容，我们展示了在特征映射中包含相位信息如何改善确定性物理数据的训练与推断。此外，我们表明复值网络参数量的减少优于更大的实值网络。
引用
@article{arxiv.1905.12321,
title = {Complex-valued neural networks for machine learning on non-stationary physical data},
author = {Jesper Sören Dramsch and Mikael Lüthje and Anders Nymark Christensen},
journal= {arXiv preprint arXiv:1905.12321},
year = {2020}
}
备注
17 pages total, 15 pages, 2 pages references, paper, 11 figures, 28 networks