Model-Based Deep Learning
Die Signalverarbeitung stützt sich traditionell auf klassische statistische Modellierungsverfahren. Solche modellbasierten Methoden verwenden mathematische Formulierungen, die die zugrundeliegende Physik, vorherige Informationen und zusätzliches Fachwissen darstellen.
Einfache klassische Modelle sind nützlich, aber anfällig für Ungenauigkeiten und können zu einer schlechten Leistung führen, wenn reale Systeme ein komplexes oder dynamisches Verhalten aufweisen. In jüngster Zeit erfreuen sich Deep-Learning-Ansätze, die hochparametrische tiefe neuronale Netze (DNNs) verwenden, zunehmender Beliebtheit. Deep-Learning-Systeme stützen sich nicht auf mathematische Modellierung, sondern lernen ihr Mapping aus Daten, wodurch sie in komplexen Umgebungen arbeiten können.
Allerdings fehlt ihnen die Interpretierbarkeit und Zuverlässigkeit modellbasierter Methoden, sie benötigen in der Regel große Trainingssätze, um eine gute Leistung zu erzielen, und sind in der Regel rechenaufwändig.
Modellbasierte Signalverarbeitungsmethoden und datenzentriertes Deep Learning haben jeweils ihre Vor- und Nachteile. Diese Paradigmen können als Ränder eines kontinuierlichen Spektrums charakterisiert werden, die sich in ihrer Spezifität und Parametrisierung unterscheiden.
Die Methoden, die in der Mitte dieses Spektrums liegen und somit die modellbasierte Signalverarbeitung mit Deep Learning verbinden, werden als modellbasiertes Deep Learning bezeichnet und stehen hier im Mittelpunkt. Diese Monographie bietet eine tutorielle Darstellung der modellbasierten Deep-Learning-Methoden. Dabei handelt es sich um Algorithmenfamilien, die prinzipielle mathematische Modelle mit datengesteuerten Systemen kombinieren, um von den Vorteilen beider Ansätze zu profitieren.
Solche modellbasierten Deep-Learning-Methoden nutzen sowohl partielles Domänenwissen über mathematische Strukturen, die für spezifische Probleme entwickelt wurden, als auch das Lernen aus begrenzten Daten. Die Monographie enthält laufende Beispiele aus der Signalverarbeitung in den Bereichen Superresolution, Verfolgung dynamischer Systeme und Array-Verarbeitung. Es wird gezeigt, wie sie mit Hilfe der bereitgestellten Charakterisierung ausgedrückt und in jeder der detaillierten Methoden spezialisiert werden.
Das Ziel ist es, den Entwurf und die Untersuchung zukünftiger Systeme an der Schnittstelle von Signalverarbeitung und maschinellem Lernen zu erleichtern, die die Vorteile beider Bereiche nutzen. Der Quellcode der numerischen Beispiele ist als Python-Notebook verfügbar und reproduzierbar.
| ISBN: | 9781638282648 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
