PhaseDNN——一种用于自适应宽带学习的并行相移深度神经网络
信号处理
2019-05-14 v2 机器学习
机器学习
摘要
在本文中，我们提出一种相移深度神经网络（PhaseDNN），其在网络训练过程中对高维函数逼近提供宽带收敛。PhaseDNN 利用许多 DNN 首先在低频范围实现收敛这一事实，因而构造一系列中等规模的 DNN 并并行训练以覆盖更高频率范围。借助频域中的相移（通过对训练数据乘以简单相位因子实现），该系列中的每个 DNN 将被训练以逼近目标函数在特定范围内的高频内容。由于相移，每个 DNN 实现了如同在低频范围般的收敛速度。因此，所提 PhaseDNN 系统能够将宽带频率学习转化为低频学习，从而允许通过频率自适应训练对宽带高维函数进行均匀学习。数值结果已证明 PhaseDNN 从低频到高频均匀学习目标函数信息的能力。
引用
@article{arxiv.1905.01389,
title = {PhaseDNN - A Parallel Phase Shift Deep Neural Network for Adaptive Wideband Learning},
author = {Wei Cai and Xiaoguang Li and Lizuo Liu},
journal= {arXiv preprint arXiv:1905.01389},
year = {2019}
}