关于复值卷积神经网络

Feb, 2016

On Complex Valued Convolutional Neural Networks

Nitzan Guberman

TL;DR本文介绍了使用复数输入和权重构造卷积神经网络（CNN）的变形模型，以及提出的正则化方法解决训练 CNN 中的一些问题和困难，通过与真实 CNN 进行比较并应用于细胞检测问题进行实证验证，表明复杂模型比真实模型更不易过拟合且可检测出数据的有意义的相位结构。

Abstract

convolutional neural networks (CNNs) are the cutting edge model for supervised machine learning in computer vision. In recent years CNNs have outperformed traditional approaches in many computer vision tasks such as object detection, image classification and face recognition. CNNs are

convolutional neural networks complex valued input regularization methods phase structure overfitting

发现论文，激发创造

深度复杂网络

本文提供了复数深度神经网络的关键原子组件，并应用于计算机视觉和音频相关任务，实现了与实数模型相当的性能表现。

May, 2017

关于复数卷积神经网络的数学动机

该研究论文提出利用复值卷积神经网络实现多尺度窗口谱、非线性多小波包等计算，具有更严格的数学分析方法以及新的应用方向。

Mar, 2015

四元数卷积神经网络：当前进展与未来方向

本文介绍了关于四元数卷积神经网络 (QCNNs) 的发展、目前的趋势和在设计 QCNN 模型中使用的主要模块，并提出了未来的研究方向。

Jul, 2023

复数神经网络综述

本文综述了近期在文献中对 CVNNs 的各种工作，并详细研究了各种 CVNNs 的激活功能、学习与优化、输入和输出表示，以及在信号处理和计算机视觉等任务中的应用，同时探讨了一些挑战和未来研究方向。

Jan, 2021

复值神经网络在非平稳物理数据的机器学习中的应用

本文研究探讨了使用复数和包含相位信息的卷积神经网络对具有相位信息的信号（例如地震数据或电气信号）进行非线性特征提取，实验表明，这种方法能提高网络的泛化性能和准确率。

May, 2019

复数神经网络 ---- 理论与分析

复杂值神经网络（CVNNs）涵盖了波状信息和频域处理的不同结构和分类，并解释了复杂激活函数、复杂可微性的相关含义以及 CVNN 输出层的特殊激活。还讨论了使用基于梯度和非梯度的算法进行 CVNN 学习和优化的情况。此外，通过 Wirtinger 微积分术语解释了利用复杂链规则的复杂反向传播。还讨论了用于构建 CVNN 模型的特殊模块，如复杂批归一化和复杂随机初始化。该工作还强调了提出的用于 CVNN 实现的库和软件模块，并讨论了未来的发展方向。本研究的目标是理解 CVNN 的动态和最新发展。

Dec, 2023

复值神经网络的计算复杂度

本文介绍了复值神经网络（CVNNs）的计算复杂度，对浮点运算的数量进行了定量估计，并研究了一些相关研究中所讨论的 CVNNs 的计算复杂度，以便在低功耗系统中实现 CVNNs 算法。

Oct, 2023

四元数卷积神经网络

通过使用四元数矩阵表示，我们提出了一个四元数卷积神经网络（QCNN）模型来在彩色图像分类和去噪任务中得到更具代表性的特征，并测试结果表明该模型优于具有相同结构的实值卷积神经网络。

Mar, 2019

凸化卷积神经网络

介绍一种凸化卷积神经网络方法，利用再现核希尔伯特空间将卷积滤波器表示为向量，并将 CNN 参数表示为低秩矩阵，进而通过凸优化求解 CNN，其泛化误差与最优 CNN 一致，CCNNs 通过逐层训练使其在性能上与基线方法相当。

Sep, 2016

一种基于复数卷积神经网络的射频数据驱动无线设备分类分析

本研究通过对真实的 LoRa 和 WiFi 射频数据集进行深入分析，从输入表示和神经网络的体系结构两个方面，进一步探讨了使用复数深度神经网络进行设备识别的优势。结果表明，相较于实数值神经网络，在各种情景下，复杂值神经网络一般表现更好。

Feb, 2022