کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10133003 1645584 2019 24 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Block-sparsity recovery via recurrent neural network
ترجمه فارسی عنوان
بازیابی انعطاف پذیری از طریق شبکه عصبی مکرر
کلمات کلیدی
سنجش فشاری، سیگنال های باریک، یادگیری عمیق، شبکه عصبی مکرر، حافظه طولانی مدت،
ترجمه چکیده
اخیرا چندین تحقیق در زمینه بازیابی بلوک انعکاسی انجام شده است. سیگنال های ضعیف با عناصر غیر صفر در خوشه ها به طور طبیعی در بسیاری از کاربردهای عملی بوجود می آیند. با این حال، دانش پیشینی از پارتیشن های بلوک معمولا در واقعیت در دسترس نیست، که به شدت باعث افزایش سختی بازیابی می شود. در عین حال، روش های یادگیری عمیق در چند سال اخیر به سرعت به عنوان نوعی از روش های داده ای هدایت شده است. در این مقاله، ما یک رویکرد جدید مبتنی بر شبکه های عصبی مجدد برای بازیابی سیگنال های ضعیف بلوک با الگوهای خوشه ناشناخته پیشنهاد می کنیم. در کار ما، شبکه عصبی مکرر که حاوی حافظه طولانی مدت است معرفی شده است برای به دست آوردن همبستگی فضایی بین عناصر غیر صفر سیگنال ضعیف بلوک. آزمایش های گسترده بر روی داده های مصنوعی و داده های دنیای واقعی نشان می دهد که روش پیشنهادی از الگوریتم های پیشرفته تر برخوردار است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
بازیابی انعطاف پذیری از طریق شبکه عصبی مکرر
چکیده انگلیسی
Several researches on block-sparsity recovery have been recently carried. Block-sparse signals with nonzero elements occurring in clusters arise naturally in many practical applications. However, the priori knowledge of block partitions is usually unavailable in reality, which increases the difficulty of recovery greatly. At the meantime, deep learning methods have been developed rapidly in last few years as a kind of data-driven methods. In this paper, we propose a novel approach based on recurrent neural networks for recovery of block-sparse signals with unknown cluster patterns. In our work, the recurrent neural network containing the long short-term memory is introduced to acquire the spatial correlations between nonzero elements of block-sparse signals. Extensive experiments both on synthetic data and real-world data show that the proposed method outperforms the state-of-the-art algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing - Volume 154, January 2019, Pages 129-135
نویسندگان
, , ,