Model-Based Deep Learning
A jelfeldolgozás hagyományosan a klasszikus statisztikai modellezési technikákra támaszkodik. Az ilyen modellalapú módszerek olyan matematikai formulákat használnak, amelyek reprezentálják a mögöttes fizikát, az előzetes információkat és a további területi ismereteket.
Az egyszerű klasszikus modellek hasznosak, de érzékenyek a pontatlanságokra, és gyenge teljesítményhez vezethetnek, amikor a valós rendszerek összetett vagy dinamikus viselkedést mutatnak. Újabban egyre népszerűbbek a mélytanulási megközelítések, amelyek nagymértékben parametrikus mély neurális hálózatokat (DNN) használnak. A mélytanuló rendszerek nem támaszkodnak matematikai modellezésre, és az adatokból tanulják meg a leképezésüket, ami lehetővé teszi számukra, hogy komplex környezetben működjenek.
Ugyanakkor hiányzik belőlük a modellalapú módszerek értelmezhetősége és megbízhatósága, a jó teljesítmény eléréséhez jellemzően nagy képzési halmazokra van szükség, és általában számításigényesek.
A modellalapú jelfeldolgozási módszereknek és az adatközpontú mélytanulásnak egyaránt megvannak az előnyei és hátrányai. Ezek a paradigmák egy folytonos spektrum sajátosságokban és paraméterezésben változó éleiként jellemezhetők.
Azokat a módszereket, amelyek e spektrum középmezőnyében helyezkednek el, tehát integrálják a modellalapú jelfeldolgozást a mélytanulással, modellalapú mélytanulásnak nevezzük, és ezek állnak itt a középpontban. Ez a monográfia a modellalapú mélytanulási módszertanok bemutatását nyújtja oktatói stílusban. Ezek olyan algoritmuscsaládok, amelyek kombinálják az elvi matematikai modelleket az adatvezérelt rendszerekkel, hogy mindkét megközelítés előnyeit kihasználják.
Az ilyen modellalapú mélytanulási módszerek a speciális problémákra tervezett matematikai struktúrákon keresztül mind a részleges tartományi tudást, mind a korlátozott adatokból való tanulást kihasználják. A monográfia futó jelfeldolgozási példákat tartalmaz, a szuperfelbontás, a dinamikus rendszerek követése és a tömbfeldolgozás terén. Bemutatja, hogyan fejezik ki ezeket a megadott jellemzéssel és specializálva az egyes részletes módszerekben.
A cél az, hogy megkönnyítse a jelfeldolgozás és a gépi tanulás metszéspontjában lévő jövőbeli rendszerek tervezését és tanulmányozását, amelyek mindkét terület előnyeit magukban foglalják. A numerikus példák forráskódja Python notebookként elérhető és reprodukálható.