- 大型语言模型中的信号处理
这篇论文介绍了将信号处理应用于大型语言模型 (LLM) 的想法,并通过将信号处理与大型语言模型的领域相结合,将它们联系起来。我们在 LLM 的每个中间激活信号中建立了经典傅里叶变换和傅里叶变换类似的可学习的时频表示之间的相似性。将每个激活信 - DKDL-Net:一种基于解耦知识蒸馏和低秩适应微调的轻量级轴承故障检测模型
提出了一种轻量级的滚动轴承故障诊断模型 DKDL-Net,通过解耦知识蒸馏和低秩自适应微调,在 CWRU 数据集上进行训练,实验证明在保持模型性能的同时,DKDL-Net 在计算复杂度上实现了 99.48% 的准确率,比现有技术模型高出 0 - ICML梯度增强滤波器在信号处理中的应用
基于梯度提升决策树的滤波器应用于动态数据,通过使用 Hammerstein 系统代替决策树。我们讨论了我们方法与 Volterra 级数的关系,并提供了其应用的理论基础。我们通过示例演示了我们方法的有效泛化能力。
- 神经形态计算的协变时空感受野
生物神经系统是计算机更快、更便宜和更能效的重要灵感源泉。神经形态学学科将大脑视为一个共同进化的系统,同时优化硬件和运行在其上的算法。本文提出了一个基于时空感受野的神经形态系统的有原则的计算模型,通过空间上的仿射高斯核和时间上的漏积分器和漏积 - 利用振动分析进行无人机起飞 / 着陆前后机翼异常检测的机器学习研究
利用信号处理和机器学习方法,通过对全面振动分析数据的分析,以确定在飞行前后运行过程中叶片缺陷的存在,为未来智能城市的关键基础设施部分 —— 无人机,提供了恒定的监控以确保其可靠性。
- 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。
- SDEMG:基于评分的表面肌电信号抑噪扩散模型
本研究提出了一种名为 SDEMG 的面向 sEMG 信号去噪的基于评分扩散模型的新方法,实验证明 SDEMG 优于比较方法,并产生了高质量的 sEMG 样本。
- 应用机器学习和信号处理技术进行感应电机故障诊断
使用机器学习和信号处理来检测和识别感应电动机故障是工业 4.0 背景下避免生产中断和停机的一种有价值的方法。本研究运用 MATLAB Simulink 进行感应电动机故障的检测和识别研究,开发了一个三相感应电动机模型,收集了正常和故障电机数 - FINER: 变周期激活函数下的灵活光谱偏置调节的隐式神经表示
利用神经网络将坐标输入映射到相应属性的隐性神经表示(INR)正在信号处理领域引起革命。然而,当前的 INR 技术在调整其支持的频率集方面存在局限性,导致在表示具有多个频率的复杂信号时性能不完善。我们发现,通过引入变周期激活函数,可以大大缓解 - 牲畜饲料摄入行为:关于反刍动物监测的自动化技术的教学综述
畜牧饲料行为监测的自动化方法和技术的综述,讨论了不同的传感方法、信号处理和计算智能方法,并强调了自动监测系统提供有价值信息以改善我们对畜牧饲料行为的理解的潜力。
- 一种加速的一阶正则化动量下降上升算法用于随机非凸凹极小极大问题
本文提出了一种用于解决随机非凸凹极小 - 极大问题的加速一阶正则化动量下降上升算法(FORMDA),证明了该算法的迭代复杂度为 $\tilde {\mathcal {O}}(\varepsilon ^{-6.5})$ 以获得 $\varep - MM走向可解释机器学习:储层计算在无线接收处理中的有效性
深度学习在无线通信等领域得到了迅速的应用,本文通过应用一种称为储备计算的学习技术对信道均衡进行研究,并提供了其操作的信号处理理论基础,通过模拟展示了通过优化初始化可以改善接收处理和符号检测性能,这是实现可解释机器学习和提高检测可靠性的首要步 - 复数小波的隐式神经表示和代数
利用隐式神经表示 (INRs) 以欧几里得空间的多层感知器 (MLP) 对图像进行参数化,有效地在信号中表示了在常规离散表示中看不到的耦合空间和频谱特征,为以前不可能的连续信号处理和机器学习方法铺平了道路。本文研究了使用正弦激活函数的 IN - THz 阵列成像的新兴方法:教程综述与软件工具
本研究探讨了近场下太赫兹合成孔径雷达(SAR)成像系统和算法,重点关注了结合信号处理和机器学习技术的新兴算法,包括安全应用中的目标检测和 SAR 图像超分辨率。还讨论了新兴算法和太赫兹 SAR 的相关问题、挑战和未来研究方向,包括系统和算法 - 用于数据驱动信号处理和信号理解的复数神经网络
本文介绍了基于 PyTorch 开发的一个包,旨在实现常见复数值神经网络操作和架构的轻量级接口,为数据驱动的信号处理研究和实际应用提供了有用的工具和文档。
- 用于位置声源定位的双输入神经网络
在信号处理应用中,元数据可以与高维信号结合使用以产生所需的输出。我们引入了双输入神经网络(DI-NNs)作为一种简单有效的方法,用于在神经网络中对这两种数据类型进行建模,并在各种难度和真实性的情景中对其进行训练和评估,并与替代架构以及经典最 - 通过 RNN 实现线性时不变(LTI)系统的通用逼近:随机性在水池计算中的力量
循环神经网络(RNN)被认为是在相对温和且普遍的条件下对动态系统进行普适逼近的工具,但通常在标准 RNN 训练中面临梯度消失和梯度爆炸问题。为解决这些问题,引入了一种特殊的 RNN,即储层计算(RC),其循环权重是随机化并且未经过训练,此方 - 双层优化简介:在信号处理和机器学习中的基础与应用
近期,双层优化(BLO)在信号处理和机器学习领域中取得了重要进展,本文提供了这一类可计算双层优化问题的基本概念、标准算法及其在信号处理和机器学习等领域应用中的最新进展,并指出了当前研究的一些局限性和需要未来深入探索的方向。
- 基于深度卷积神经网络和格里曼角场的心电图分类
该研究提出了一种新的特征表示方法,将时间频率 1D 向量转换为 2D 图像,并利用卷积神经网络对转换后的心电信号进行分类,从而提高了分类性能并帮助识别和可视化心电信号的时间模式,具有诊断和治疗心血管疾病以及检测异常的重要意义。
- 一种新的概率距离度量及在高斯混合模型降维中的应用
本文提出了一个新的距离度量方法,可以比较两个连续概率密度函数。主要优点是能够为高阶高斯混合模型提供解析闭合形式表达式,从而满足所有度量特性,这种特性在现实信号处理应用中非常有用。为解决 Gaussian 混合模型压缩问题,本文提出了一种基于