基于张量小波的高阶多属性信号识别方法研究

发布时间：2023-01-31 20:32

　　随着当代信息技术的发展和进步,信息化社会的不断发展使得我们对数据处理的能力要求越来越高,传统的数据处理方法已经不能满足需求,因此如何利用机器来进行信息处理和大数据的分析成为新的趋势。如何高效且快速的处理大量且复杂的数据并从数据中尽可能多的提取需要的信息成为目前的热门研究方向。目前大多数的数据处理方法,都是仅处理单一属性数据,而现有的对于多属性数据的处理,多是将数据的不同属性提取特征后进行拼接或融合进行处理,这种方法对于不同属性之间具有关联性的多属性数据的处理上破坏了其结构特性,存在不足。除此之外,由于目前现有的特征提取和识别方法,几乎都是在时域上对数据进行处理,而忽略了一些频域上的特征,因此本文研究了这一问题,综合对比后选择小波域上的数据处理作为主要的方向,将现有的数据分类的方法——卷积神经网络与小波变换相结合进行研究。卷积神经网络在图像分类和语音识别方面达到了非常良好的效果,但是随着数据量和数据分析能力的要求不断提升,单一对图像等低维数据的分析已经不能满足需求。CNN擅于捕捉数据的空间特征,而频域分析擅于捕获基于频谱信息的尺度不变性,本文将二者与张量结合,将具有多属性特征的数据用张量... 

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
    1.3 研究内容
    1.4 论文组织结构
第二章 理论研究基础
    2.1 小波变换理论基础
        2.1.1 多分辨分析和小波变换
        2.1.2 二维离散小波变换
    2.2 张量基本概念和运算
        2.2.1 张量基本概念
        2.2.2 张量的基本运算
    2.3 卷积神经网络
        2.3.1 卷积层(Convolution Layer)
        2.3.2 池化层(Pooling Layer)
        2.3.3 全连接层(Fully Connected Layer)
        2.3.4 卷积神经网络的反向传播算法(Back-propagation)
    2.4 本章小结
第三章 融合小波变换和卷积神经网络的二阶张量分类模型
    3.1 融合小波变换和卷积神经网络的二阶张量分类模型
    3.2 实验结果与分析
        3.2.1 MNIST数据集
        3.2.2 CIFAR-10数据集
        3.2.3 KEDF数据集
    3.3 本章小结
第四章 融合张量小波的高阶卷积神经网络模型
    4.1 高阶卷积神经网络模型
        4.1.1 张量卷积层(Tensor Convolution Layer)
        4.1.2 张量池化层(Tensor Pooling Layer)
        4.1.3 张量全连接层(Tensor Fully Connected Layer)
        4.1.4 高阶反向传播算法(High-order Back-propagation, HOBP)
    4.2 张量小波高阶卷积神经网络模型
    4.3 融合张量小波的高阶卷积神经网络算法实验分析
        4.3.1 CIFAR-10和KEDF数据集
        4.3.2 高光谱数据集PolyU-HSFD
        4.3.3 CAUVE数据集
        4.3.4 MIR Flickr数据集
    4.4 本章小结
第五章 总结与展望
    5.1 全文工作总结
    5.2 未来工作展望
致谢
参考文献


【参考文献】：
期刊论文
[1]基于时频域的卷积神经网络运动想象脑电信号识别方法[J]. 胡章芳,张力,黄丽嘉,罗元.  计算机应用. 2019(08)
[2]基于深度卷积神经网络的高光谱遥感图像分类[J]. 罗建华,李明奇,郑泽忠,李江.  西华大学学报(自然科学版). 2017(04)



本文编号：3733980