RRCNN：一种基于循环残差卷积神经网络的新型信号分解方法
机器学习
2023-07-06 v1 信号处理
摘要
非平稳信号的分解是信号时频分析领域一项重要且具有挑战性的任务。近二十年来，以 Huang 等人于 1998 年开创的经验模态分解为代表的许多信号分解方法被不同研究小组提出。然而，它们仍存在一些局限。例如，它们通常易于出现边界和模态混叠效应，并且对噪声不够鲁棒。受深度学习在图像处理和自然语言处理等领域成功应用的启发，并鉴于文献中缺乏直接使用深度学习技术将非平稳信号分解为简单振荡分量的工作，我们利用卷积神经网络、残差结构和非线性激活函数以创新方式计算信号的局部平均，并在深度学习框架下研究一种新的非平稳信号分解方法。我们讨论了所提模型的训练过程，并研究了学习算法的收敛性分析。在实验中，我们从两个角度评估所提模型的性能：局部平均的计算和信号分解。此外，我们研究了所提方法产生的分解分量的模态混叠、噪声干扰和正交性性质。所有结果表明，与现有方法相比，所提模型能更好地处理边界效应、模态混叠效应、鲁棒性以及分解分量的正交性。
引用
@article{arxiv.2307.01725,
title = {RRCNN: A novel signal decomposition approach based on recurrent residue convolutional neural network},
author = {Feng Zhou and Antonio Cicone and Haomin Zhou},
journal= {arXiv preprint arXiv:2307.01725},
year = {2023}
}
备注
29 pages with 9 figures