浅谈一点信号处理

本文探讨了深度学习与传统信号处理的区别和联系。传统信号处理基于固定规则,而深度学习是数据驱动的,能自学习特征。深度学习提升了处理效果,但存在可分析性弱、数据利用率低和噪声鲁棒性差的问题。深度学习可视为传统信号处理的进化,但也需要解决现有局限性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

信号处理理解

信号处理方法分为传统方法和现代方法。

1.传统信号处理
大多是基于固定规则的,即“rule-based”,算法是基于某种对原始数据的假设(如平稳的,相互独立的,稀疏的,低维空间,平滑,非局部相似等等),少部分自适应滤波,涉及到优化和广义参数学习上。

2.现在主流的机器学习/深度学习
都是基于数据驱动的“data driven",与传统信号处理相比,机器学习减少了对数据/信号的假设,尤其深度学习,基本可认为是普适性的信号模型。

  • 两者相同点:对信号操作的基本手段类似,如线性变换,卷积,非线性阈值等。
  • 不同点:从参数固定变成了可学习,如传统信号处理对数据的卷积,用一个高通或低通滤波器,而深度学习变成了可学习的kernel来做卷积,可学习增加了算法的灵活性。

==》所以,深度学习也可看做是传统信号处理体系的进化。通过数据驱动,自学习和优化,减少了对原始数据的假设条件,使得更接近真实情况,从而让算法更加flexible and scalable。

探讨:
1.传统信号处理都是hand-crafted 特征提取,达不到理想效果原因归根结底还是信号的假设太过局限,所以到深度学习的特征自学习后,效果显著提升。
2.深度学习局限:从过去的”rule-based“到现在”data-dirven",信号模型变得更加鲁棒和丰富,但仍存在问题。
a. 算法可分析性较弱。当下很多深度学习理论都只利用优化和随机理论,导致算法的性能很难有保障,结果无法用特定的参数来定量或准确调整。只能凭经验调参,对错误结果无法追踪原因。
b. 对训练数据全部信息利用效率低。现在深度学习强调端到端,基本利用不到数据的先验信息和问题本身的数学模型,不得不强行用大量数据去拟合。
c. 噪声鲁棒性差:深度学习不光拟合有用数据,也会拟合不想要的数据退化,所以对数据质量敏感,需要数据清洗。

评论
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