时频图像表示与深度学习技术用于改进信号分类的用例
信号处理
2023-02-23 v1 图像与视频处理
摘要
时频图像(TFIs)提供了信号的联合时频表示,已成为分析、表征和处理非平稳信号的有效工具。深度学习(DL)技术在信号分类中已变得通用,能够从原始数据中自动提取相关特征。在本文中,我们提出了两个关于时频变换和深度学习技术用于信号分类的用例,其中信号首先被预处理并变换为TFIs,然后通过深度学习神经网络和分类算法提取其特征。所使用的具体方法和算法可能因特定应用而异,因此研究了创建TFIs的不同方法:短时傅里叶变换(STFT)、基于傅里叶的同步压缩变换(FSST)、Wigner Ville分布(WVD)、平滑伪Wigner分布(SPWD)、Choi-Williams分布(CWD)和连续小波变换(CWT)。评估了各种深度学习和卷积神经网络(CNN)模型(如ResNet-50、ShuffleNet和Squeezenet)在不同应用中的分类准确率,并将结果与常规机器学习和集成方法(如多层感知机(MLP)、支持向量机(SVM)、随机森林(RF)、决策树(DT)和XGboost)的结果进行了比较。本研究结果表明,通过利用TFIs和深度学习模型的联合能力,可以显著提高信号分类准确率。这些进展已在广泛领域中找到实际应用,包括雷达信号分类、电力系统稳定性分析、语音与音乐识别以及生物医学信号表征。
引用
@article{arxiv.2302.11093,
title = {Use Cases for Time-Frequency Image Representations and Deep Learning Techniques for Improved Signal Classification},
author = {Mehmet Parlak},
journal= {arXiv preprint arXiv:2302.11093},
year = {2023}
}
备注
4 pages, 5 figures