评估复杂重量神经网络对模拟的空洞球体Lamb波响应的概括

科学领域:

• 声学研究研究声学研究
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 声学中的相位信息在传统的机器学习中经常被忽视.
• 复杂值机器学习提供了一种新方法来纳入这个阶段的数据.
• 实值网络通常将复杂数视为对,可能会丢失信息.

研究的目的:

• 在声学中比较复杂值神经网络与实值网络的性能.
• 评估复杂值网络在基于声响应的材料分类中的效率和准确性.
• 研究复杂值网络在处理Lamb波等复杂声学现象方面的潜力.

主要方法:

• 在海洋环境中模拟不同厚度的空洞球体的部分波响应 (Lamb波).
• 将完全连接的网络应用于频率宽带,用于材料分类.
• 复杂值网络与真值网络的比较,这些网络要么忽略相位,要么以对形式表示复杂数.

主要成果:

• 复杂价值网络的性能与最佳实值网络一样好或更好.
• 复杂值网络需要大约一半的实值网络的计算机内存.
• 对于具有挑战性的数据子集,在最好的真实和复杂网络之间观察到可比的分类准确性和信心.
• 一些复杂值模型在未见的数据上实现了完美的分类准确性.

结论:

• 复杂值机器学习是声学研究的可行和高效方法,特别是利用相位信息.
• 这些发现表明,在计算成本和性能方面存在潜在的优势.
• 由于在梯度空间最小值中观察到的差异,对噪声增强和多路径通道卷积的进一步研究是有必要的.