文章DOI: https://doi.org/10.48550/arXiv.1905.01389
作者是 Southern Methodist University 的Wei Cai 教授
A Parallel Phase Shift Deep Neural Network for Adaptive Wideband Learning
一种并行移相深度神经网络来自适应学习宽带频率信号
20190514
核心思想:通过相变技术把高频部分转化为低频部分,这样便可以提高神经网络训练过程中网络的收敛速度。
感觉这篇文章的信息好少,搜不到多少资料。
摘要:
PhaseDNN利用了许多DNN首先在低频范围内实现收敛的事实(这个可参考许志钦老师的主页 https://ins.sjtu.edu.cn/people/xuzhiqin/,或知乎https://zhuanlan.zhihu.com/p/571517635),因此,对于更高频率范围,并行地构建和训练一系列中等大小的DNN。
借助于频域中的相移,通过对训练数据进行简单的相位因子乘法来实现,序列中的每个DNN将被训练为在特定范围内近似目标函数的较高频率内容。
由于相移,每个DNN都达到了在低频范围内的收敛速度。因此,PhaseDNN系统能够将宽带频率学习转换为低频学习,从而允许通过频率自适应训练对宽带高维函数进行统一学习。数值结果表明,PhaseDNN能够从低频到高频均匀地学习目标函数的信息。
具体实现过程
背景知识
许志钦:
深度神经网络的频率原则: DNN首先在低频范围内实现收敛
这个可参考许志钦老师的主页 https://ins.sjtu.edu.cn/people/xuzhiqin/,
或知乎https://zhuanlan.zhihu.com/p/571517635
应用
多种频率的信号叠加的波/高频波,使用此相移方法,把高频转为低频,实现快速收敛。
例如:多频叠加的信号,比如可能:音频分类、时序预测
GitHub