廣義近似消息傳遞算法,雙線性廣義近似消息傳遞算法以及參數(shù)化雙線性廣義近似消息傳遞算法在壓縮感知領(lǐng)域具有廣泛的應(yīng)用。該文基于深度學(xué)習(xí)網(wǎng)絡(luò)化廣義近似消息傳遞算法、雙線性廣義近似消息傳遞算法及參數(shù)化雙線性廣義近似消息傳遞算法,使用數(shù)據(jù)集以訓(xùn)練的方式更新參數(shù),減少算法所需先驗(yàn)知識(shí),使參數(shù)更加貼合目標(biāo)問題的解決,在具體應(yīng)用上體現(xiàn)出更為優(yōu)秀的性能。論文具體內(nèi)容如下:首先,引入深度學(xué)習(xí)中深度網(wǎng)絡(luò)的相關(guān)知識(shí),網(wǎng)絡(luò)化廣義近似消息傳遞算法。根據(jù)廣義近似消息傳遞算法網(wǎng)絡(luò)的層間變量設(shè)置可學(xué)習(xí)參數(shù),在訓(xùn)練中通過大量樣本數(shù)據(jù)選定優(yōu)化器不斷優(yōu)化更新網(wǎng)絡(luò)參數(shù),使網(wǎng)絡(luò)性能得到改善。實(shí)驗(yàn)證實(shí),針對(duì)壓縮感知的信號(hào)重構(gòu)問題構(gòu)建對(duì)應(yīng)算法網(wǎng)絡(luò),使網(wǎng)絡(luò)可以根據(jù)樣本數(shù)據(jù)訓(xùn)練更新參數(shù),減少對(duì)先驗(yàn)知識(shí)的依賴,提升算法對(duì)信號(hào)的重構(gòu)性能。然后,對(duì)雙線性廣義近似消息傳遞算法進(jìn)行網(wǎng)絡(luò)化研究,構(gòu)建雙線性廣義近似消息傳遞算法網(wǎng)絡(luò),通過樣本數(shù)據(jù)和優(yōu)化器對(duì)其中的可學(xué)習(xí)參數(shù)進(jìn)行優(yōu)化,減少對(duì)矩陣及原始信號(hào)的先驗(yàn)知識(shí)的依賴性。實(shí)驗(yàn)證實(shí),引入深度學(xué)習(xí)后,網(wǎng)絡(luò)化的雙線性廣義近似消息傳遞算法,相對(duì)于原始算法,在字典學(xué)習(xí)問題上得到極大的提升。最后,對(duì)參數(shù)化雙線性廣義... 

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究意義
    1.2 國(guó)內(nèi)外研究發(fā)展現(xiàn)狀
        1.2.1 壓縮感知發(fā)展概述
        1.2.2 深度學(xué)習(xí)發(fā)展概述
    1.3 本文研究?jī)?nèi)容及組織結(jié)構(gòu)
第2章 壓縮感知及深度學(xué)習(xí)基礎(chǔ)知識(shí)
    2.1 壓縮感知
        2.1.1 壓縮感知模型
        2.1.2 壓縮感知中的觀測(cè)矩陣
        2.1.3 壓縮感知重構(gòu)算法
    2.2 深度學(xué)習(xí)
        2.2.1 神經(jīng)元
        2.2.2 神經(jīng)網(wǎng)絡(luò)
        2.2.3 損失函數(shù)
    2.3 本章小結(jié)
第3章 基于深度學(xué)習(xí)的廣義近似消息傳遞算法網(wǎng)絡(luò)化
    3.1 引言
    3.2 廣義消息近似傳遞算法模型
    3.3 廣義近似消息傳遞算法網(wǎng)絡(luò)
        3.3.1 廣義近似消息傳遞算法的網(wǎng)絡(luò)化
        3.3.2 GAMP-NETWORK中的可學(xué)習(xí)參數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.3 CS-GAMP-NETWORK的網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.4 GAMP-NETWORK的訓(xùn)練集及測(cè)試集
        3.3.5 GAMP-NETWORK的訓(xùn)練方式
    3.4 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于深度學(xué)習(xí)的雙線性廣義近似消息傳遞算法網(wǎng)絡(luò)化
    4.1 引言
    4.2 雙線性廣義近似消息傳遞算法
        4.2.1 雙線性廣義近似消息傳遞算法模型
        4.2.2 循環(huán)置信傳播
        4.2.3 和積算法
    4.3 BiGAMP-NETWORK深度網(wǎng)絡(luò)
        4.3.1 雙線性廣義近似消息傳遞算法的網(wǎng)絡(luò)化模型
        4.3.2 BiGAMP-NETWORK中的可學(xué)習(xí)參數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.3 BiGAMP-NETWORK的訓(xùn)練集及測(cè)試集
        4.3.4 BiGAMP-NETWORK的訓(xùn)練方式
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第5章 基于深度學(xué)習(xí)的參數(shù)化雙線性廣義近似消息傳遞算法網(wǎng)絡(luò)化
    5.1 引言
    5.2 參數(shù)化雙線性廣義近似消息傳遞算法
    5.3 參數(shù)化雙線性廣義近似消息傳遞算法網(wǎng)絡(luò)
        5.3.1 PBiGAMP-NETWORK中的可學(xué)習(xí)參數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)
        5.3.2 PBiGAMP-NETWORK的訓(xùn)練集及測(cè)試集
        5.3.3 PBiGAMP-NETWORK的訓(xùn)練方式
    5.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：3732155