Deep-RLS：一种用于非线性主成分分析的模型启发式深度学习方法
信号处理
2020-11-19 v2 机器学习
机器学习
摘要
在本工作中，我们考虑基于模型的深度学习在非线性主成分分析（PCA）中的应用。受深度展开方法学的启发，我们提出了一种基于任务的深度学习方法，称为 Deep-RLS，它将著名的递归最小二乘（RLS）算法的迭代展开为深度神经网络的各层，以执行非线性 PCA。具体而言，我们针对盲源分离（BSS）问题构建非线性 PCA，并通过数值分析表明，与传统 RLS 算法相比，Deep-RLS 在 BSS 中恢复源信号的精度方面有显著提升。
引用
@article{arxiv.2011.07458,
title = {Deep-RLS: A Model-Inspired Deep Learning Approach to Nonlinear PCA},
author = {Zahra Esmaeilbeig and Shahin Khobahi and Mojtaba Soltanalian},
journal= {arXiv preprint arXiv:2011.07458},
year = {2020}
}