基于深度学习的广义近似消息传递算法网络化

发布时间：2023-01-26 04:13

　　广义近似消息传递算法,双线性广义近似消息传递算法以及参数化双线性广义近似消息传递算法在压缩感知领域具有广泛的应用。该文基于深度学习网络化广义近似消息传递算法、双线性广义近似消息传递算法及参数化双线性广义近似消息传递算法,使用数据集以训练的方式更新参数,减少算法所需先验知识,使参数更加贴合目标问题的解决,在具体应用上体现出更为优秀的性能。论文具体内容如下:首先,引入深度学习中深度网络的相关知识,网络化广义近似消息传递算法。根据广义近似消息传递算法网络的层间变量设置可学习参数,在训练中通过大量样本数据选定优化器不断优化更新网络参数,使网络性能得到改善。实验证实,针对压缩感知的信号重构问题构建对应算法网络,使网络可以根据样本数据训练更新参数,减少对先验知识的依赖,提升算法对信号的重构性能。然后,对双线性广义近似消息传递算法进行网络化研究,构建双线性广义近似消息传递算法网络,通过样本数据和优化器对其中的可学习参数进行优化,减少对矩阵及原始信号的先验知识的依赖性。实验证实,引入深度学习后,网络化的双线性广义近似消息传递算法,相对于原始算法,在字典学习问题上得到极大的提升。最后,对参数化双线性广义... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究发展现状
        1.2.1 压缩感知发展概述
        1.2.2 深度学习发展概述
    1.3 本文研究内容及组织结构
第2章 压缩感知及深度学习基础知识
    2.1 压缩感知
        2.1.1 压缩感知模型
        2.1.2 压缩感知中的观测矩阵
        2.1.3 压缩感知重构算法
    2.2 深度学习
        2.2.1 神经元
        2.2.2 神经网络
        2.2.3 损失函数
    2.3 本章小结
第3章 基于深度学习的广义近似消息传递算法网络化
    3.1 引言
    3.2 广义消息近似传递算法模型
    3.3 广义近似消息传递算法网络
        3.3.1 广义近似消息传递算法的网络化
        3.3.2 GAMP-NETWORK中的可学习参数及网络结构
        3.3.3 CS-GAMP-NETWORK的网络结构
        3.3.4 GAMP-NETWORK的训练集及测试集
        3.3.5 GAMP-NETWORK的训练方式
    3.4 实验结果与分析
    3.5 本章小结
第4章 基于深度学习的双线性广义近似消息传递算法网络化
    4.1 引言
    4.2 双线性广义近似消息传递算法
        4.2.1 双线性广义近似消息传递算法模型
        4.2.2 循环置信传播
        4.2.3 和积算法
    4.3 BiGAMP-NETWORK深度网络
        4.3.1 双线性广义近似消息传递算法的网络化模型
        4.3.2 BiGAMP-NETWORK中的可学习参数及网络结构
        4.3.3 BiGAMP-NETWORK的训练集及测试集
        4.3.4 BiGAMP-NETWORK的训练方式
    4.4 实验结果与分析
    4.5 本章小结
第5章 基于深度学习的参数化双线性广义近似消息传递算法网络化
    5.1 引言
    5.2 参数化双线性广义近似消息传递算法
    5.3 参数化双线性广义近似消息传递算法网络
        5.3.1 PBiGAMP-NETWORK中的可学习参数及网络结构
        5.3.2 PBiGAMP-NETWORK的训练集及测试集
        5.3.3 PBiGAMP-NETWORK的训练方式
    5.4 实验结果与分析
    5.5 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：3732155