Dec, 2020

基于模型的深度学习

PDF
TL;DR本文介绍了一种新的信号处理和机器学习交叉领域的混合技术 —— 基于模型的深度学习系统。这种新技术结合了传统的数学模型与深度学习的优势，可以通过限定的数据量学习数据，同时保留先前领域知识，以期获得更高效的性能。本文提出了一种新的系统分类方法，并提供了具体的指南和来自最近文献的信号处理案例，以帮助未来基于模型的深度学习设计与研究。
model-baseddeep learningsignal processingdata-drivenhybrid techniques
发现论文，激发创造
  • 面向通信的基于模型的机器学习

    本文介绍了基于模型的机器学习在通信系统中的应用。作者从整体上审视了已有策略，将其与深度学习方法进行比较，并关注于通信接收器中的符号检测问题，探讨了深度架构、深度展开和 DNN 辅助混合算法等不同策略的优缺点。最后，提出了未来设计基于模型的深度学习系统的指导方针。

    Jan, 2021

  • 基于模型的深度学习在物理层通信中的应用

    该文章回顾了最近在物理层通信中使用模型驱动深度学习方法的应用，包括传输方案、接收机设计和信道信息恢复，并在展示全面调查后，提出了若干进一步研究的开放问题。

    Sep, 2018

  • 走向以人口信息为基础的结构动力数据驱动模型定义方法

    通过基于物理的方法和元学习算法开发适应于数据稀缺性问题的模型，为解决机器学习算法的不足和工业界对其不信任问题提供了一种可行的方案。

    Jul, 2023

  • 工业感知与控制的机器学习：调查与实践视角

    利用深度学习技术，本研究旨在探索数据驱动感知、优化和控制在工艺产业中的应用及相关挑战，并提出基于统计和机器学习的混合建模方法与领域知识相结合的数据驱动方案。

    Jan, 2024

  • 一种基于混合模型和学习的方法，用于利用有限数量的训练样本进行分类

    提出了一种混合分类方法 HyPhyLearn，结合物理统计模型和学习分类器，通过神经网络的领域对抗训练来减轻分类任务中所面临的挑战。

    Jun, 2021

  • 工程中融合先验知识的机器学习路径

    本研究介绍一个三级知识集成机器学习方法，在工程领域平衡整体主义和还原主义的视角，以在数据驱动的过程中转移和利用领域知识。

    Jul, 2023

  • 基于数据驱动的具有几何约束的非线性物理系统的计算方法

    该研究介绍了一种将机器学习与传统科学方法相结合的基于数据驱动的框架，将物理学的先验知识与先进的机器学习技术相结合，旨在解决基于第一原理和全力学习方法固有的计算和实际限制。通过嵌入特定于特定类别非线性系统的物理学先验，包括可分离和不可分离的哈密顿系统、双曲型偏微分方程和不可压缩流体动力学，我们的框架展示了四种算法。物理定律的内在结合保留了系统的内在对称性和守恒定律，确保了解的物理合理性和计算效率。这些先验的结合还提高了神经网络的表达能力，使其能够捕捉传统方法常常忽视的物理现象中的复杂模式。因此，尽管依赖于小数据集、短训练周期和小样本量，我们的模型在预测准确性、鲁棒性和预测能力方面优于现有的数据驱动技术，特别是识别训练集中缺失的特征。

    Jun, 2024

  • 信号处理与机器学习的交叉研究：基于应用案例分析方法

    近年来，感知、测量和计算技术的最新进展已大大扩展了基于信号的应用的潜力，利用信号处理和机器学习之间的协同作用来提高性能和可靠性。本文研究了信号处理和机器学习之间的知识缺口，并针对特征提取技术进行了综述和分类，提出了两种应用场景。

    Mar, 2024

  • 结合顺序神经网络和统计方法的两种方式，提高时间序列预测

    本文介绍了如何将基于数据的学习方法与现有的知识或模型进行正确融合，其中包括基于分解的方法和利用数据特征的解决方案。通过使用时间序列数据进行评估，结果表明这两种方法都可以优于使用模型和学习分离的现有方案，性能提高可达 60％以上。这些方法可以弥合基于模型和基于数据的方法之间的差距，并将两者整合以提供更高的学习性能。

    Sep, 2021

  • 一个模型胜过几万个例子

    本文通过对精确定义的数学模型生成的数据进行实证研究，在一维高斯信号去卷积和估计随机灰度圆形图像中圆的半径和位置等简单例子上，通过训练各种网络，发现与传统的基于数学模型的方法相比，无论是从头开始训练还是采用迁移学习或微调，神经网络需要数万个示例。

    Mar, 2023