使用MATLAB实现信号处理的深度学习

雷达通信电子战

专业知识服务

本文来源MathWorks白皮书，仅供参考学习。需要的请给“雷达通信电子战”微信公众号发送“0331”，PDF全文19页，包含三个示例：语音命令识别；剩余使用寿命预估；信号去噪。展示了如何通过Matlab实现深度学习来加速执行信号处理任务并获得更准确的结果。

深度学习网络用于图像分类已长达数年，但它们其实也是强大的数字信号处理工具。深度学习网络具备数学模型的一切功能，而您无需知道要将哪些信号特征引入模型。在训练过程中，网络会自行决定需要引入的特征。

无论输入数据是一维信号、时序数据还是文本，深度学习网络（如卷积神经网络 (CNN)）都能采用全新的方式处理数据。它们为非专业人士敞开了大门——不必成为信号处理专家，也能通过CNN处理信号—而且可以极为迅速地得出准确的结果。

深度学习是机器学习的一个子类型。在该类型中，模型直接从图像、文本或声音中学习执行分类和回归任务。采用机器学习或传统信号处理技术时，您需要手动选择相关数据特征。而在采用深度学习的情况下，模型会在数据流经网络时自动学习并提取相关信息。

深度学习通常使用神经网络架构来实现。“深度”一词是指网络中的层数——层数越多，网络越深。各层通过节点或神经元相互连接，每个隐藏层使用前一层的输出作为其输入。 

现阶段最热门的两种深度学习网络分别是：
· 卷积神经网络（CNN 或 ConvNet）
· 长短期记忆 (LSTM)

CNN 由一个输入层、一个输出层和中间的多个隐藏层组成。卷积层、激活（或 ReLU）层和池化层是最常见的三层结构。这些操作在几十层或几百层上反复进行，每一层都学习检测不同的输入数据特征。 

LSTM 是一种循环神经网络 (RNN)，可学习时间步长序列数据之间的长期依赖关系。与 CNN 不同， LSTM 可以记住预测之间的网络状态。

LSTM 网络的核心组件是序列输入层和 LSTM 层。序列输入层将时序数据加入网络。LSTM 层会学习一段时间内序列数据时间步长之间的长期依赖关系。

CNN 通常用于信号和时序预测，此时输入信号从一维转换为二维表示，信号随之转换为“图像”。

LSTM 适用于序列和时序数据分类，此时必须基于记忆的数据点序列进行网络预测或输出。

无论采用哪一种网络配置，也不论利用深度学习解决哪一类问题，流程始终要不断迭代：如果网络未达到预期的准确率，请返回更改设置，看看是否有方法加以改进。