使用复值网络学习表示
机器学习
2015-11-20 v1 神经与进化计算
摘要
复值神经网络（CVNNs）是神经网络研究中一个新兴领域，因其在音频、图像和生理信号方面具有潜在的表示特性而备受关注。在信号处理中，通过一组复基函数（如傅里叶变换）将实值序列转换到复域是很常见的。我们展示了如何使用 CVNNs 来学习实值时间序列数据的复表示。我们提出的方法和结果使用了一个框架，该框架利用 Wirtinger 导数这一理论结果，在多层网络中组合全纯和非全纯函数。我们在实值信号的表示学习任务上测试了我们的方法，比较了循环复值网络及其对应的实值网络。结果表明，循环复值网络的表现能与对应的实值网络一样好，同时学习到能代表数据所在域的滤波器。
关键词
引用
@article{arxiv.1511.06351,
title = {Learning Representations Using Complex-Valued Nets},
author = {Andy M. Sarroff and Victor Shepardson and Michael A. Casey},
journal= {arXiv preprint arXiv:1511.06351},
year = {2015}
}