基于学习型时间序列表示的可解释超分辨率方法
信号处理
2020-06-16 v1 机器学习
摘要
我们开发了一种可解释且可学习的维格纳-维尔分布，该分布能够为时间序列分析生成超分辨率的二次信号表示。我们的方法具有两个主要特点。首先，它在已知的时频表示（time-frequency representations, TFRs）之间进行插值，能够实现超分辨率，其时间和频率分辨率超越了海森堡不确定性原理所规定的限度，从而超越了常用的 TFRs。其次，由于维格纳-维尔分布具有显式的低维物理参数化形式，该方法具备可解释性。我们证明，我们的方法能够学习高度自适应的 TFRs，并能够胜任各种大规模分类任务，在这些任务中，与基线方法和学习型 TFRs 相比，我们达到了最先进的性能。
引用
@article{arxiv.2006.07713,
title = {Interpretable Super-Resolution via a Learned Time-Series Representation},
author = {Randall Balestriero and Herve Glotin and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:2006.07713},
year = {2020}
}