高频灵敏神经网络

本文所公开的主题一般涉及人工智能，尤其涉及高频灵敏神经网络。

背景技术：

1、深度神经网络(dnn)，诸如深度卷积神经网络(dcnn)、生成对抗网络(gan)和自动编码器，是许多人工智能(ai)技术的基础。它们的应用非常广泛，其中一个常见的应用是在计算机视觉中。

2、dnn遭受频谱偏差，这在本领域中通常被称为“f-principal”问题。由于这种f-principal，dnn通常被认为在训练期间更好地适应低频而不是适应高频。因此，趋势是与dnn结合使用低频信号而不是高频信号。

技术实现思路

1、在各种实施例中，提供了一种从数据中提取高频特征的计算机实现的方法，包括：接收第一数据集；在训练阶段，将基于频率的引导应用于神经网络中的可学习滤波器，其中，可学习滤波器是基于频率的引导的特征向量，并且其中，基于频率的引导用于获得与高频特征向量相关联的高特征值；以及在检测阶段，使用高频特征向量从第二数据集提取高频特征。

2、在一些实施例中，该方法还包括将高特征值归一化到0到1范围内的值。

3、在一些实施例中，该方法还包括将频谱归一化到0到1范围内的值。

4、在一些实施例中，该方法还包括定义与高特征值相关联的算子。

5、在一些实施例中，该方法还包括控制可学习滤波器的频谱。

6、在一些实施例中，该方法还包括针对至少一个可学习滤波器生成归一化的n×n拉普拉斯矩阵。

7、在一些实施例中，该方法还包括生成邻接矩阵。

8、在一些实施例中，该方法还包括生成对角度矩阵。

9、在一些实施例中，该方法还包括生成损失函数。可选地，损失函数包括多个损失函数的和。可选地，损失函数包括交叉熵损失函数。

10、在一些实施例中，该方法还包括将高特征值限制到下限阈值和上限阈值。

11、在一些实施例中，该方法还包括将高特征值偏差到上限阈值。

12、在各种实施例中，提供了一种用于从数据中提取高频特征的系统，包括：神经网络，其接收第一数据集；存储器，其用于存储数据和可执行指令；以及控制器，其被配置为执行该可执行指令以导致执行以下步骤：在训练阶段，将基于频率的引导应用于神经网络中的可学习滤波器，其中，可学习滤波器是基于频率的引导的特征向量，并且其中，基于频率的引导用于获得与高频特征向量相关联的高特征值；以及在检测阶段，使用高频特征向量从第二数据集提取高频特征。

13、在各种实施例中，提供了一种包括指令的非暂时性计算机可读系统，指令在由处理器执行时使用于从数据中提取高频特征的系统执行以下步骤：在训练阶段，将基于频率的引导应用于神经网络中的可学习滤波器，其中，可学习滤波器是基于频率的引导的特征向量，并且其中，基于频率的引导用于获得与高频特征向量相关联的高特征值；以及在检测阶段，使用高频特征向量从第二数据集中提取高频特征。

14、在一些实施例中，步骤还包括将特征值归一化到0到1范围内的值。

15、在一些实施例中，步骤还包括将频谱归一化到0到1范围内的值。

16、在一些实施例中，步骤还包括定义与高特征值相关联的算子。

17、在一些实施例中，步骤还包括控制可学习高频滤波器的频谱。

18、在一些实施例中，步骤还包括针对至少一个可学习滤波器生成归一化的n×n拉普拉斯矩阵。

19、在一些实施例中，步骤还包括生成邻接矩阵。

20、在一些实施例中，步骤还包括生成对角度矩阵。

21、在一些实施例中，步骤还包括生成损失函数。可选地，损失函数包括多个损失函数的和。可选地，损失函数包括交叉熵损失函数。

22、在一些实施例中，步骤还包括将高特征值限制到下限阈值和上限阈值。

23、在一些实施例中，步骤还包括将高特征值偏差到上限阈值。

24、在一些实施例中，高频特征向量与引导多项式矩阵相关联。

技术特征：

1.一种从数据中提取高频特征的计算机实现的方法，包括：

2.如权利要求1所述的方法，还包括将所述高特征值归一化到0到1范围内的值。

3.如权利要求1所述的方法，还包括将频谱归一化到0到1范围内的值。

4.如权利要求1所述的方法，还包括定义与所述高特征值相关联的算子。

5.如权利要求1所述的方法，还包括控制所述可学习滤波器的所述频谱。

6.如权利要求1所述的方法，还包括针对至少一个可学习滤波器生成归一化的n×n拉普拉斯矩阵。

7.如权利要求1所述的方法，还包括生成邻接矩阵。

8.如权利要求1所述的方法，还包括生成对角度矩阵。

9.如权利要求1所述的方法，还包括生成损失函数。

10.如权利要求8所述的方法，其中，所述损失函数包括交叉熵损失函数。

11.如权利要求8所述的方法，其中，所述损失函数包括多个损失函数的和。

12.如权利要求1所述的方法，还包括将所述高特征值限制到下限阈值和上限阈值。

13.如权利要求11所述的方法，包括将所述高特征值偏差到所述上限阈值。

14.如权利要求1所述的方法，其中，所述特征向量与引导多项式矩阵相关联。

15.一种用于从数据中提取高频特征的系统，包括：

16.如权利要求14所述的系统，其中，所述步骤还包括将所述高特征值归一化到0到1范围内的值。

17.如权利要求14所述的系统，其中，所述步骤还包括将频谱归一化到0到1范围内的值。

18.如权利要求14所述的系统，其中，所述步骤还包括定义与所述高特征值相关联的算子。

19.如权利要求14所述的系统，其中，所述步骤还包括控制所述可学习高频滤波器的所述频谱。

20.如权利要求14所述的系统，其中，所述步骤还包括针对至少一个可学习滤波器生成归一化的n×n拉普拉斯矩阵。

21.如权利要求14所述的系统，其中，所述步骤还包括生成邻接矩阵。

22.如权利要求14所述的系统，其中，所述步骤还包括生成对角度矩阵。

23.如权利要求14所述的系统，其中，所述步骤还包括生成损失函数。

24.如权利要求22所述的方法，其中，所述损失函数包括交叉熵损失函数。

25.如权利要求22所述的系统，其中，所述损失函数包括多个损失函数的和。

26.如权利要求14所述的系统，其中，所述步骤还包括将所述特征值限制到下限阈值和上限阈值。

27.如权利要求25所述的系统，其中，所述步骤还包括将所述特征值偏差到所述上限阈值。

28.如权利要求14所述的系统，其中，所述高频特征向量与引导多项式矩阵相关联。

29.一种包括指令的非暂时性计算机可读介质，所述指令在由处理器执行时使用于从数据中提取高频特征的系统执行以下步骤：

30.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括将所述高特征值归一化到0到1范围内的值。

31.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括将频谱归一化到从0到1范围内的值。

32.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括定义与所述高特征值相关联的算子。

33.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括控制所述可学习高频滤波器的所述频谱。

34.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括针对至少一个可学习滤波器生成归一化的n×n拉普拉斯矩阵。

35.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括生成邻接矩阵。

36.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括生成对角度矩阵。

37.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括生成损失函数。

38.如权利要求36所述的非暂时性计算机可读介质，其中，所述损失函数包括交叉熵损失函数。

39.如权利要求36所述的非暂时性计算机可读介质，其中，所述损失函数包括多个损失函数的和。

40.如权利要求28所述的非暂时性计算机可读介质，其中，所述步骤还包括将所述高特征值限制到下限阈值和上限阈值。

41.如权利要求39所述的非暂时性计算机可读介质，其中，所述步骤还包括将所述高特征值偏差到所述上限阈值。

42.如权利要求28所述的非暂时性计算机可读介质，其中，所述高频特征向量与引导多项式矩阵相关联。

技术总结
一种从数据中提取高频特征的计算机实现的方法，包括：接收第一数据集；在训练阶段，将基于频率的引导应用于神经网络中的可学习高频滤波器，该基于频率的引导包括提升与包括可学习高频滤波器的特征向量相关联的高特征值；从第一数据集提取与特征向量相关联的高频特征；利用训练后的高频滤波器从第二数据集提取高频特征。

技术研发人员：大卫·门德洛维奇,丹·拉维夫,利奥·盖尔伯格,肯·科恩,莫尔-阿维·阿祖莱,梅纳海姆·科伦
受保护的技术使用者：拉莫特特拉维夫大学有限公司
技术研发日：
技术公布日：2024/4/17