發(fā)布時間：2022-04-15 23:02

　　深度學習模型廣泛應用于多媒體信號處理領域,通過引入非線性能夠極大地提升性能,但是其黑箱結(jié)構(gòu)無法解析地給出最優(yōu)點和優(yōu)化條件。因此如何利用傳統(tǒng)信號處理理論,基于變換/基映射模型逼近深度學習模型,解析優(yōu)化問題,成為當前研究的前沿問題。本文從信號處理的基礎理論出發(fā),分析了當前針對高維非線性非規(guī)則結(jié)構(gòu)方法的數(shù)學模型和理論邊界,主要包括:結(jié)構(gòu)化稀疏表示模型、基于框架理論的深度網(wǎng)絡模型、多層卷積稀疏編碼模型以及圖信號處理理論。詳細描述了基于組稀疏性和層次化稀疏性的表示模型和優(yōu)化方法,分析基于半離散框架和卷積稀疏編碼構(gòu)建深度/多層網(wǎng)絡模型,進一步在非歐氏空間上擴展形成圖信號處理模型,并對國內(nèi)外關于記憶網(wǎng)絡的研究進展進行了比較。最后,展望了多媒體信號處理的理論模型發(fā)展,認為圖信號處理通過解析譜圖模型的數(shù)學性質(zhì),解釋其中的關聯(lián)性,為建立廣義的大規(guī)模非規(guī)則多媒體信號處理模型提供理論基礎,是未來研究的重要領域之一。 

【文章頁數(shù)】：18 頁

【文章目錄】：
0 引言
1 國際研究現(xiàn)狀
    1.1 結(jié)構(gòu)化稀疏表示模型
        1.1.1 組稀疏性
        1.1.2 層次化稀疏性
    1.2 基于框架理論的深度網(wǎng)絡模型
    1.3 卷積稀疏編碼模型
        1.3.1 快速傅里葉變換(FFT)
        1.3.2 Toeplitz展開
        1.3.3 應用
    1.4 圖卷積神經(jīng)網(wǎng)絡
2 國內(nèi)研究進展
    2.1 結(jié)構(gòu)化稀疏表示模型
    2.2 基于框架理論的深度網(wǎng)絡模型
    2.3 卷積稀疏編碼模型
    2.4 圖卷積神經(jīng)網(wǎng)絡
3 國內(nèi)外研究進展比較
4 發(fā)展趨勢與展望



本文編號：3645861