[原创]数字信号处理中的卷积网络深度学习猜想(2) - 信号主周期估计算法

本文链接：https://blog.csdn.net/xeonmm1/article/details/95811407

转载请注明出处，Writer:Zhonlihao钟硕 @ 20190713

https://blog.csdn.net/xeonmm1

全尺度卷积算法的时间复杂度

全尺度卷积虽然有非常强的细节提取能力，但其是以大量增加运算量为代价的，下面的伪代码给出了其基本的运算过程：

for i = 尺度遍历 n 

    for j = 时域遍历 k

        for m = 特征遍历 f

            卷积核操作；

        end

    end

end

一个没有经过优化的全尺度卷积算法的算法时间复杂度大概是O(n * k * f) ~O(n^3) 这无论对于电脑还是嵌入式cpu都是比较慢的，不利于算法的实时实现，细心分析下来，我们可以发现如果想实现快速算法，可以从特征的组合出发去实现它们特定的卷积操作，这样就会省下很多无谓的卷积扫描的时间耗费。

一种快速全卷积算法

如上图所示，把机械的扫描转化为对特征点事件的描述，从2个特征点开始组合到全部特征点的尺度，这是一个三角级别的算法展开：

for i = 特征点个数遍历 2~n

    for j = 起始特征点遍历 1 : n - i

        for k = 特征点组内元素遍历 j:j+i

            卷积核扫描操作；

        end

    end

end

譬如m = 6，那么这个事件展开就是

1 2,2 3,3 4,4 5,5 6

1 2 3，2 3 4，3 4 5 ，4 5 6

1 2 3 4，2 3 4 5，3 4 5 6

1 2 3 4 5， 2 3 4 5 6

1 2 3 4 5 6

这样就把较大量的O（n^3）转化为一个小量的O(n^3）操作；下面说一下卷积核扫描操作的变化：

如上图所示选取f1,f2两点特征为这次分析的基本事件，s1,s2是其邻近特征，那么，第一首先要确保窗的大小最小为f2-f1距离触发启动这个事件，其次，窗的最大长度不能超过s2-s1以免把邻近点纳入形成了新的一个组合事件，滑动时窗口的右端点必须碰到f2,如果左端点离开f1，则结束整个扫描过程，因此这个方法可以从本质上省去很多无谓的过渡时间浪费。