卷积积分这样学!

卷积积分是一种数学运算,那么既然是数学运算,那么就得有数学的特性——定义、性质、定理。

本文将从卷积积分的理论、案例、求解方法、知识图谱四方面介绍卷积积分!


一、【理论】卷积积分的理论

· 卷积积分定义:

卷积图解01

卷积图解02

函数卷积的定义

数列卷积的定义

• 卷积积分理解:
卷积积分定义描述得如此抽象,能不能给个生动点的描述?有的,看下文!
字面上理解:
卷积:卷,把蛋卷起来,叫蛋卷,卷积,就是把多个蛋卷 积起来,求重叠部分面积!
符号:卷积是一种数学运算,我们学过的数学运算有加减乘除,那么我们来看看,卷积的符号和加号、乘号的关系!

卷积和加法乘法的关系

卷字

卷字词典释义

故事上理解:

如果你每天都到地下去打台球,那么老板每天都要扇你一巴掌,不过当老板打你一巴掌后,你5分钟就消肿了,所以时间长了,你甚至就适应这种生活了……

如果有一天,老板忍无可忍,以0.5秒的间隔开始不间断的扇你的过程,这样问题就来了,第一次扇你鼓起来的包还没消肿,第二个巴掌就来了,你脸上的包就可能鼓起来两倍高,老板不断扇你,脉冲不断作用在你脸上,效果不断叠加了,这样这些效果就可以求和了,结果就是你脸上的包的高度随时间变化的一个函数了(注意理解);

如果老板再狠一点,频率越来越高,以至于你都辨别不清时间间隔了,那么,求和就变成积分了。可以这样理解,在这个过程中的某一固定的时刻,你的脸上的包的鼓起程度和什么有关呢?和之前每次打你都有关!但是各次的贡献是不一样的,越早打的巴掌,贡献越小,所以这就是说,某一时刻的输出是之前很多次输入乘以各自的衰减系数之后的叠加而形成某一点的输出,然后再把不同时刻的输出点放在一起,形成一个函数,这就是卷积,卷积之后的函数就是你脸上的包的大小随时间变化的函数。

本来你的包几分钟就可以消肿,可是如果连续打,几个小时也消不了肿了,这难道不是一种平滑过程么?反映到剑桥大学的公式上,f(a)就是第a个巴掌,g(x-a)就是第a个巴掌在x时刻的作用程度,乘起来再叠加就ok了。

大家说是不是这个道理呢?我想这个例子已经非常形象了,你对卷积有了更加具体深刻的了解了吗?

• 卷积积分性质:
微积分性质和时移特性最喜欢被冲激函数和阶跃函数使用:阶跃函数的导数为冲激函数

卷积的微分、积分性质

 

时移特性


二、【案例】卷积积分的典型应用

· 案例1:与冲激函数的卷积
· 案例2:与阶跃函数的卷积

卷积积分的典型应用


三、【方法】卷积积分的求解方法

求解卷积积分的方法应结合多种方法一起用

卷积的方法

· 公式法求解卷积积分:
公式法包括了:定义法和性质法

 

公式法举例


• 图解法求解卷积积分:

 

Paste_Image.png

图解法举例:
http://www.docin.com/p-875032548.html?docfrom=rrela


四、【图谱】卷积积分的知识图谱

花了这么久学的一个知识,我们总得知道他所处的知识体系的位置吧!废话不多说,看图!
卷积本身的知识图谱:

图谱01

 

卷积在信号与系统中的位置:

图谱02


四、问题补充:

1. 卷积积分和普通积分的区别?

结论是:普通积分相当于加法,卷积积分相当于加权叠加
理由是:我们知道图形积分,就是把无限多个宽度相等的长条进行累加。而卷积积分相当于在进行长条累加的时候,加入了权重。这就像古代交易,有的长条是金条,有的是银条,有的是铜条。这时候就不能用一般的加法运算了,就需要加入权重

  • 30
    点赞
  • 82
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
### 回答1: 卷积神经网络需要以下步骤: 1. 了解基本概念:首先你需要了解神经网络、卷积、池化、前馈网络等基本概念。 2. 习数知识:卷积神经网络需要对线性代数、微积分等数知识有扎实的基础。 3. 研究论文:阅读和理解相关的论文是卷积神经网络的重要组成部。 4. 实践:最好的习方法就是实践,在计算机上使用深度习框架(如 Tensorflow、PyTorch)实现自己的卷积神经网络。 5. 参加课程或培训:卷积神经网络的有用的方法之一是参加专业的课程或培训。 6. 社区参与:加入相关的社区,与其他专家和爱好者交流,可以获得更多的知识和技巧。 ### 回答2: 卷积神经网络可以遵循以下步骤: 1. 理解基本概念:卷积神经网络(CNN)是一种用于图像识别和类的深度习模型。了解卷积层、池化层、激活函数和全连接层等基本概念是习CNN的第一步。 2. 习数基础:掌握线性代数和微积分是理解CNN的重要前提。卷积运算、梯度下降、反向传播等数概念对于深入理解CNN的工作原理非常有帮助。 3. 研究经典模型:CNN领域有很多经典模型,如LeNet-5、AlexNet、VGGNet和ResNet等。通过研究这些模型的网络结构、参数设置和最佳实践,可以更好地了解CNN的应用和创新点。 4. 探索开源库:TensorFlow、PyTorch、Keras等开源深度习库都提供了丰富的CNN模型和相关教程。通过使用这些库,可以加深对CNN的理解,并从实践中习如何构建和训练CNN模型。 5. 实际项目的实践:在习理论知识的同时,通过参与实际项目,如图像类、目标检测和人脸识别等任务,可以将所知识应用到实际中,并不断调整和改进CNN模型。 6. 与他人交流和合作:参与术论坛、社群和与其他习者的讨论,可以共享经验和资源,并从其他人的反馈中不断提高。 总之,卷积神经网络需要一定的数基础,理解经典模型,并通过实践和与他人的交流来巩固所的知识。不断习和实践,掌握CNN的原理和应用,可以为深度习方向的研究和实践提供坚实的基础。 ### 回答3: 卷积神经网络可以采取以下步骤。 首先,了解卷积神经网络的基本概念和原理。卷积神经网络是一种深度习模型,具有通过卷积运算提取图像特征的能力。了解卷积运算的定义、作用和实现方式,以及卷积神经网络的层次结构和参数设置,是习的基础。 其次,卷积神经网络的常见模型和算法。如LeNet、AlexNet、VGGNet、GoogLeNet和ResNet等。深入了解这些模型的结构、特点和应用场景,可以通过阅读相关的研究论文和教程来习。 第三,进行实践和编程。选择合适的开发环境和工具,如Python和深度习库TensorFlow或PyTorch等,实践编写卷积神经网络的代码。可以从简单的图像类任务开始,逐步提高难度,理解和实现不同模型的训练过程。同时要注意调试和优化,以提高模型效果。 第四,参与相关的竞赛或项目。参加Kaggle等机器习竞赛,或者加入开源社区共同开发项目,可以和其他习者交流和享经验,提高自己的卷积神经网络技能。 最后,不断习和探索。深度习领域发展迅速,新的卷积神经网络模型和算法不断涌现。要保持对最新研究和技术的关注,阅读论文、参加术会议和研讨会,不断扩展自己的知识和技能。此外,通过复现经典模型和开展自己的研究项目,可以加深对卷积神经网络的理解和应用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值