用于高效复杂宽带信号逼近的并行频函深度神经网络
信号处理
2021-06-22 v1 机器学习
摘要
神经网络本质上是通过调整网络权重进行特征拟合的高维复杂映射模型。然而，网络训练中的谱偏置导致拟合宽带信号中高频分量需要难以承受的训练轮数。为提高高频分量的拟合效率，近期提出了PhaseDNN，其结合了复频带提取与频移技术[Cai et al. SIAM J. SCI. COMPUT. 42, A3285 (2020)]。本文致力于为拟合含高频分量的复杂信号提供另一种方案。此处提出并行频函深度神经网络（PFF-DNN），利用宽带信号的快速傅里叶分析与神经网络的谱偏置特性，在抑制计算开销的同时保证拟合精度。基于六种典型宽带信号的详细数值实验验证了所提PFF-DNN方法的有效性与高效性。
引用
@article{arxiv.2106.10401,
title = {Parallel frequency function-deep neural network for efficient complex broadband signal approximation},
author = {Zhi Zeng and Pengpeng Shi and Fulei Ma and Peihan Qi},
journal= {arXiv preprint arXiv:2106.10401},
year = {2021}
}