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。 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。 · 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 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。 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。 |
|
来自: taotao_2016 > 《AI》