STFNets：以短时傅里叶神经网络从时频视角学习感知信号
机器学习
2019-02-22 v1 机器学习
摘要
深度学习的近期进展推动了深度神经网络在物联网（IoT）应用中的使用。这些网络以人脑信号处理为模型，从而在视觉与语音识别等感知任务上带来显著优势。然而，IoT 应用通常测量物理现象，其底层物理（如惯性、无线信号传播或固有振荡频率）本质上是信号频率的函数，在频域中提供更好的特征。这一观察引出一个根本问题：对于 IoT 应用，能否开发一类全新的神经网络结构，其合成特征不仅受人类感知生物学启发，也受物理基本性质启发？因此，在本文中，我们不使用常规构建模块（如卷积层与循环层），而是提出一种新的基础神经网络构建模块——短时傅里叶神经网络（STFNet）。它将广泛使用的时频分析方法短时傅里叶变换集成到数据处理中，直接在频域学习特征，而底层现象的物理特性在频域留下更清晰的足迹。STFNets 通过提供新颖的频谱兼容非线性可学习操作，为时频分析带来额外灵活性。此外，STFNets 表明将信号变换到与底层物理更相关的域可极大简化学习过程。我们通过大量实验证明了 STFNets 的有效性。STFNets 在所有实验中均显著优于最先进的深度学习模型。因此，STFNet 作为面向各类传感器输入的 IoT 应用深度神经网络基础构建模块展现出优越能力。
引用
@article{arxiv.1902.07849,
title = {STFNets: Learning Sensing Signals from the Time-Frequency Perspective with Short-Time Fourier Neural Networks},
author = {Shuochao Yao and Ailing Piao and Wenjun Jiang and Yiran Zhao and Huajie Shao and Shengzhong Liu and Dongxin Liu and Jinyang Li and Tianshi Wang and Shaohan Hu and Lu Su and Jiawei Han and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:1902.07849},
year = {2019}
}