Ⅰ 數字信號處理，如EEG信號，使用深度學習做的話，有什麼思路
一）腦電圖（EEG）檢查：是在頭部按一定部位放置8-16個電極，經腦電圖機將腦細胞固有的生物電活動放大並連續描記在紙上的圖形。正常情況下，腦電圖有一定的規律性，當腦部尤其是皮層有病變時，規律性受到破壞，波形即發生變化，對其波形進行分析，可輔助臨床對及腦部疾病進行診斷。
腦波按其頻率分為：δ波（1-3c/s）θ波（4-7c/s）、α波（8-13c/s）、β波（14-25c/s）γ波（25c/s以上），δ和θ波稱為慢波，β和γ波稱為快波。依年齡不同其基本波的頻率也不同，如3歲以下小兒以δ波為主，3-6歲以θ波為主，隨年齡增長，α波逐漸增多，到成年人時以α波為主，但年齡之間無明確的嚴格界限，如有的兒童4、5歲枕部α波已很明顯。正常成年人在清醒、安靜、閉眼時，腦波的基本節律是枕部α波為主，其他部位則是以α波間有少量慢波為主。判斷腦波是否正常，主要是根據其年齡，對腦波的頻率、波幅、兩側的對稱性以及慢波的數量、部位、出現方式及有無病理波等進行分析。許多腦部病變可引起腦波的異常。如顱內佔位性病變（尤其是皮層部位者）可有限局性慢波；散發性腦炎，絕大部分腦電圖呈現彌漫性高波幅慢波；此外如腦血管病、炎症、外傷、代謝性腦病等都有各種不同程度的異常，但腦深部和線部位的病變陽性率很低。須加指出的是，腦電圖表現沒有特異性，必須結合臨床進行綜合判斷，然而對於則有決定性的診斷價值，在闐癇發作間歇期，腦電圖可有陣發性高幅慢波、棘波、尖波、棘一慢波綜合等所謂「痛性放電」表現。為了提高腦電圖的陽性率，可依據不同的病變部位採用不同的電極放置方法。如鼻咽電極、鼓膜電極和蝶骨電極，在開顱時也可將電極置於皮層（皮層電極）或埋入腦深部結構（深部電極）；此外，還可使用各種誘發試驗，如睜閉眼、過度換氣、閃光刺激、睡眠誘發、剝奪睡眠誘發以及靜脈美解眠等。但蝶骨電極和美解眠誘發試驗等方法，可給病人帶來痛苦和損害，須在有經驗者指導下進行。隨著科技的日益發展，近年來又有了遙控腦電圖和24小時監測腦電圖。
（二）腦電地形圖（BEAM）
是在EEG的基礎上，將腦電信號輸入電腦內進行再處理，通過模數轉換和付立葉轉換，將腦電信號轉換為數字信號，處理成為腦電功率譜，按照不同頻帶進行分類，依功率的多少分級，最終使腦電信號轉換成一種能夠定量的二維腦波圖像，此種圖像能客觀地反映各部電位變化的空間分布狀態，其定量標志可以用數字或顏色表示，再用列印機列印在顱腦模式圖上，或貯存在軟盤上。它的優越性在於能發現EEG中較難判別的細微異常，提高了陽性率，且病變部點陣圖像直觀醒目，定位比較准確，從而客觀對大腦機能進行評價。主要應用於缺血性腦血管病的早期診斷及療效予後的評價，小兒腦發育與腦波變化的研究，視覺功能的研究，大浮腫瘤的定位以及精神物的研究等。
異常的EEG模式如果包括了整個大腦。意味著廣泛的腦功能失調，異常的如果是局灶的，則提示有局灶的腦功能異常。EEG有可能提示大腦疾病的診斷，某些特殊EEG模式能夠提示特定的疾病。
Ⅱ 深度學習和神經網路的區別是什麼
這兩個概念實際上是互相交叉的，例如，卷積神經網路（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。
深度學習的概念由Hinton等人於2006年提出。基於深信度網(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。
Ⅲ 深度學習能應用在哪些領域
深度學習的快速發展，不僅使機器學習得到許多實際的應用，還拓展了整個AI（人工智慧的）的范圍。 它將任務進行拆解，使得各種類型的機器輔助變成可能，具體分為以下幾類應用：
1、無人駕駛汽車：深度學習在無人駕駛領域主要用於圖像處理，可以用於感知周圍環境、 識別可行駛區域檢測、以及識別行駛路徑識別。
2、圖片識別及分類：識別出圖片中的對象，並建立關鍵詞，對圖片進行分類。
3、機器翻譯：基於深度學習理論，藉助海量計算機模擬的神經元，在海量的互聯網資源的依託下，來模仿人腦理解語言，形成更加符合語法規范、容易理解的譯文。
4、目標識別：即不僅可以識別出是什麼物體，還可以預測物體的位置，位置一般用邊框標記。
5、情感識別：通過深度學習，幫助計算機識別新聞、微博、博客、論壇等文本內容中所包含情感態度，從而及時發現產品的正負口碑。
6、藝術創作：通過深度學習，讓計算機學會根據不同的作曲家風格進行音樂編曲或者基於各流派畫家進行繪畫創作。
Ⅳ 隧道安全監控報警系統最大的作用是什麼
1.告警精確度高
智能視頻分析系統內置智能演算法，能排除氣候與環境因素的干擾，有效彌補人工監控的不足，減少視頻監控系統整體的誤報率和漏報率。
2.實時識別報警
基於智能視頻分析和深度學習神經網路技術，對隧道監控區域內的異常行為進行監測，報警信息可顯示在監控客戶端界面，也可將報警信息推送到移動端。
3.全天候運行 穩定可靠
智能視頻監控系統可對監控畫面進行7×24不間斷的分析，大大提高了視頻資源的利用率，減少人工監控的工作強度。
4.告警存儲功能
對隧道監控區域內的異常行為實時識別預警，並將報警信息存儲到伺服器資料庫中，包括時間、地點、快照、視頻等。
Ⅳ 神經網路（深度學習）的幾個基礎概念
從廣義上說深度學習的網路結構也是多層神經網路的一種。傳統意義上的多層神經網路是只有輸入層、隱藏層、輸出層。其中隱藏層的層數根據需要而定，沒有明確的理論推導來說明到底多少層合適。而深度學習中最著名的卷積神經網路CNN，在原來多層神經網路的基礎上，加入了特徵學習部分，這部分是模仿人腦對信號處理上的分級的。具體操作就是在原來的全連接的層前面加入了部分連接的卷積層與降維層，而且加入的是一個層級。輸入層 - 卷積層 -降維層 -卷積層 - 降維層 -- .... -- 隱藏層 -輸出層簡單來說，原來多層神經網路做的步驟是：特徵映射到值。特徵是人工挑選。深度學習做的步驟是 信號->特徵->值。 特徵是由網路自己選擇。
Ⅵ 深度學習時代，數字信號處理的前端已經過時了嗎
作者：劉丹
鏈接：https://www.hu.com/question/35589548/answer/104032031
來源：知乎
著作權歸作者所有，轉載請聯系作者獲得授權。
人看法:深度學習在各領域都試圖取代feature engineering,包括語音識別。其實語音的前端已經做得足夠接近事物本質了，類比圖像的同行他們已經原始像素輸入很多年了。
識別這塊進入dnn時代就逐漸fbank甚至倒譜成為主流，而梅爾窗、dct變換等傳統語音識別認為必備的處理也逐漸變得無足輕重甚至有害。而在引入lstm後，魯棒性的必備殺器cmn也不是那麼重要了。
深度學習鼓吹的一個重要方面就是representation learning,在模型能力有限時，前端非常重要，而對於具有強表現力的模型和足夠大數據量，這些都有可能通過學習得到，而不需要確定的前端處理。同時，前端處理在獲取更容易區分特徵的同時，必然帶來信息損失，這也是fbank輸入比mfcc好的主要原因。
以mfcc為例，當年梅爾做的一個很偉大的工作就是通過測人耳對不同頻帶的聽覺響應最終設計出從低頻到高頻不同尺度的三角窗，這個對傳統gmm模型非常有用。但到了深度學習框架下，系統一個個minibatch處理數據，從目標函數回傳的梯度自己就會實現:發不同音素時低頻帶區分性很明顯，需要加強;高頻帶梯度累加沒太大變化，應該削弱;高頻部分通過一個變換矩陣後有用，應該逐漸保留這種結構……便可以學到類似梅爾倒譜的東西。但機器完全沒有理論指導盲目相信數據的結果很有可能學到不合理的前端變換並且對集內擬合很好，這種過擬合就一般需要大的訓練數據糾正。
那麼是否信號處理知識完全無用呢？當然不是。前面說了需要合適的模型結構和足夠的表現能力。比如對於沒有recurrent結構的模型它必然無法學到可以取代cmn的能力。另一個例子就是題主說的原始時域信號輸入，我們如果沒有語音信號短時平穩特性的知識，閉著眼睛扔波形信號只是玩鬧。而它主要希望處理的多麥克風信號如果沒有beam forming的知識和設法利用相位差信息的指導，也肯定玩不轉。一個後端的例子就是這些年一些machine learning的人做語音識別在end to end指導下直奔字母建模單元，個人表示呵呵。
Ⅶ 深度學習與神經網路有什麼區別
深度學習與神經網路關系
2017-01-10
最近開始學習深度學習，基本上都是zouxy09博主的文章，寫的蠻好，很全面，也會根據自己的思路，做下刪減，細化。
五、Deep Learning的基本思想
假設我們有一個系統S，它有n層（S1,…Sn），它的輸入是I，輸出是O，形象地表示為： I =>S1=>S2=>…..=>Sn => O，如果輸出O等於輸入I，即輸入I經過這個系統變化之後沒有任何的信息損失（呵呵，大牛說，這是不可能的。資訊理論中有個「信息逐層丟失」的說法（信息處理不等式），設處理a信息得到b，再對b處理得到c，那麼可以證明：a和c的互信息不會超過a和b的互信息。這表明信息處理不會增加信息，大部分處理會丟失信息。當然了，如果丟掉的是沒用的信息那多好啊），保持了不變，這意味著輸入I經過每一層Si都沒有任何的信息損失，即在任何一層Si，它都是原有信息（即輸入I）的另外一種表示。現在回到我們的主題Deep Learning，我們需要自動地學習特徵，假設我們有一堆輸入I（如一堆圖像或者文本），假設我們設計了一個系統S（有n層），我們通過調整系統中參數，使得它的輸出仍然是輸入I，那麼我們就可以自動地獲取得到輸入I的一系列層次特徵，即S1，…, Sn。
對於深度學習來說，其思想就是對堆疊多個層，也就是說這一層的輸出作為下一層的輸入。通過這種方式，就可以實現對輸入信息進行分級表達了。
另外，前面是假設輸出嚴格地等於輸入，這個限制太嚴格，我們可以略微地放鬆這個限制，例如我們只要使得輸入與輸出的差別盡可能地小即可，這個放鬆會導致另外一類不同的Deep Learning方法。上述就是Deep Learning的基本思想。
六、淺層學習（Shallow Learning）和深度學習（Deep Learning）
淺層學習是機器學習的第一次浪潮。
20世紀80年代末期，用於人工神經網路的反向傳播演算法（也叫Back Propagation演算法或者BP演算法）的發明，給機器學習帶來了希望，掀起了基於統計模型的機器學習熱潮。這個熱潮一直持續到今天。人們發現，利用BP演算法可以讓一個人工神經網路模型從大量訓練樣本中學習統計規律，從而對未知事件做預測。這種基於統計的機器學習方法比起過去基於人工規則的系統，在很多方面顯出優越性。這個時候的人工神經網路，雖也被稱作多層感知機（Multi-layer Perceptron），但實際是種只含有一層隱層節點的淺層模型。
20世紀90年代，各種各樣的淺層機器學習模型相繼被提出，例如支撐向量機（SVM，Support Vector Machines）、 Boosting、最大熵方法（如LR，Logistic Regression）等。這些模型的結構基本上可以看成帶有一層隱層節點（如SVM、Boosting），或沒有隱層節點（如LR）。這些模型無論是在理論分析還是應用中都獲得了巨大的成功。相比之下，由於理論分析的難度大，訓練方法又需要很多經驗和技巧，這個時期淺層人工神經網路反而相對沉寂。
深度學習是機器學習的第二次浪潮。
2006年，加拿大多倫多大學教授、機器學習領域的泰斗Geoffrey Hinton和他的學生RuslanSalakhutdinov在《科學》上發表了一篇文章，開啟了深度學習在學術界和工業界的浪潮。這篇文章有兩個主要觀點：1）多隱層的人工神經網路具有優異的特徵學習能力，學習得到的特徵對數據有更本質的刻畫，從而有利於可視化或分類；2）深度神經網路在訓練上的難度，可以通過「逐層初始化」（layer-wise pre-training）來有效克服，在這篇文章中，逐層初始化是通過無監督學習實現的。
當前多數分類、回歸等學習方法為淺層結構演算法，其局限性在於有限樣本和計算單元情況下對復雜函數的表示能力有限，針對復雜分類問題其泛化能力受到一定製約。深度學習可通過學習一種深層非線性網路結構，實現復雜函數逼近，表徵輸入數據分布式表示，並展現了強大的從少數樣本集中學習數據集本質特徵的能力。（多層的好處是可以用較少的參數表示復雜的函數）
而為了克服神經網路訓練中的問題，DL採用了與神經網路很不同的訓練機制。傳統神經網路（這里作者主要指前向神經網路）中，採用的是back propagation的方式進行，簡單來講就是採用迭代的演算法來訓練整個網路，隨機設定初值，計算當前網路的輸出，然後根據當前輸出和label之間的差去改變前面各層的參數，直到收斂（整體是一個梯度下降法）。而deep learning整體上是一個layer-wise的訓練機制。這樣做的原因是因為，如果採用back propagation的機制，對於一個deep network（7層以上），殘差傳播到最前面的層已經變得太小，出現所謂的gradient diffusion（梯度擴散）。這個問題我們接下來討論。
八、Deep learning訓練過程
8.1、傳統神經網路的訓練方法為什麼不能用在深度神經網路
BP演算法作為傳統訓練多層網路的典型演算法，實際上對僅含幾層網路，該訓練方法就已經很不理想。深度結構（涉及多個非線性處理單元層）非凸目標代價函數中普遍存在的局部最小是訓練困難的主要來源。
BP演算法存在的問題：
（1）梯度越來越稀疏：從頂層越往下，誤差校正信號越來越小；
（2）收斂到局部最小值：尤其是從遠離最優區域開始的時候（隨機值初始化會導致這種情況的發生）；
（3）一般，我們只能用有標簽的數據來訓練：但大部分的數據是沒標簽的，而大腦可以從沒有標簽的的數據中學習；
8.2、deep learning訓練過程
如果對所有層同時訓練，時間復雜度會太高；如果每次訓練一層，偏差就會逐層傳遞。這會面臨跟上面監督學習中相反的問題，會嚴重欠擬合（因為深度網路的神經元和參數太多了）。
2006年，hinton提出了在非監督數據上建立多層神經網路的一個有效方法，簡單的說，分為兩步，一是每次訓練一層網路，二是調優，使原始表示x向上生成的高級表示r和該高級表示r向下生成的x'盡可能一致。方法是：
1）首先逐層構建單層神經元，這樣每次都是訓練一個單層網路。
2）當所有層訓練完後，Hinton使用wake-sleep演算法進行調優。
將除最頂層的其它層間的權重變為雙向的，這樣最頂層仍然是一個單層神經網路，而其它層則變為了圖模型。向上的權重用於「認知」，向下的權重用於「生成」。然後使用Wake-Sleep演算法調整所有的權重。讓認知和生成達成一致，也就是保證生成的最頂層表示能夠盡可能正確的復原底層的結點。比如頂層的一個結點表示人臉，那麼所有人臉的圖像應該激活這個結點，並且這個結果向下生成的圖像應該能夠表現為一個大概的人臉圖像。Wake-Sleep演算法分為醒（wake）和睡（sleep）兩個部分。
1）wake階段：認知過程，通過外界的特徵和向上的權重（認知權重）產生每一層的抽象表示（結點狀態），並且使用梯度下降修改層間的下行權重（生成權重）。也就是「如果現實跟我想像的不一樣，改變我的權重使得我想像的東西就是這樣的」。
2）sleep階段：生成過程，通過頂層表示（醒時學得的概念）和向下權重，生成底層的狀態，同時修改層間向上的權重。也就是「如果夢中的景象不是我腦中的相應概念，改變我的認知權重使得這種景象在我看來就是這個概念」。
deep learning訓練過程具體如下：
1）使用自下上升非監督學習（就是從底層開始，一層一層的往頂層訓練）：
採用無標定數據（有標定數據也可）分層訓練各層參數，這一步可以看作是一個無監督訓練過程，是和傳統神經網路區別最大的部分（這個過程可以看作是feature learning過程）：
具體的，先用無標定數據訓練第一層，訓練時先學習第一層的參數（這一層可以看作是得到一個使得輸出和輸入差別最小的三層神經網路的隱層），由於模型capacity的限制以及稀疏性約束，使得得到的模型能夠學習到數據本身的結構，從而得到比輸入更具有表示能力的特徵；在學習得到第n-1層後，將n-1層的輸出作為第n層的輸入，訓練第n層，由此分別得到各層的參數；
2）自頂向下的監督學習（就是通過帶標簽的數據去訓練，誤差自頂向下傳輸，對網路進行微調）：
基於第一步得到的各層參數進一步fine-tune整個多層模型的參數，這一步是一個有監督訓練過程；第一步類似神經網路的隨機初始化初值過程，由於DL的第一步不是隨機初始化，而是通過學習輸入數據的結構得到的，因而這個初值更接近全局最優，從而能夠取得更好的效果；所以deep learning效果好很大程度上歸功於第一步的feature learning過程。
Ⅷ 為什麼要學習深度學習
主要從下面三部分展開：
1、了解什麼是深度學習，深度學習是機器學習與神經網路、人工智慧、圖形化建模、優化、模式識別和信號處理等技術融合後產生的一個領域。在嚴謹的學術期刊中,這個新興學科的模型一直受嚴肅理智的學者所推崇:"深度學習網路是神經網路革命性的發展,人們甚至認為可以用它來創建更強大的預測模型。」
2、深度學習的流程
在學習深度學習的核心思想時,我們採取的通用方法一般如下圖所示。無論開發什麼類型的機器學習模型,最終都回歸到這個基本模型。輸入數據傳遞給模型,經過多個非線性層進行過濾,最後一層包含分類器——決定該對象所屬的種類。
多層深度神經網路有多個非線性層級,可以緊湊地表示高度非線性的和/或高度變化的函數。它們擅長識別數據中的復雜模式,可以用來改進計算機視覺和自然語言處理等工作,並可以解決非結構化數據難題。
Ⅸ 深度學習和神經網路的區別是什麼
從廣義上說深度學習的網路結構也是多層神經網路的一種。
傳統意義上的多層神經網路是只有輸入層、隱藏層、輸出層。其中隱藏層的層數根據需要而定，沒有明確的理論推導來說明到底多少層合適。
而深度學習中最著名的卷積神經網路CNN，在原來多層神經網路的基礎上，加入了特徵學習部分，這部分是模仿人腦對信號處理上的分級的。具體操作就是在原來的全連接的層前面加入了部分連接的卷積層與降維層，而且加入的是一個層級。
輸入層 - 卷積層 -降維層 -卷積層 - 降維層 -- .... -- 隱藏層 -輸出層
簡單來說，原來多層神經網路做的步驟是：特徵映射到值。特徵是人工挑選。
深度學習做的步驟是 信號->特徵->值。 特徵是由網路自己選擇。
Ⅹ 怎樣利用深度學習，增強學習等方法提高信息處理效率
1．科學計算
在科學技術及工程設計應用中，所遇到的各種數學問題的計算，統稱為科學計算。計算機的應用，最早就是從這一領域開展的。電子計算機在科學計算和工程設計中大有作為，它不僅能減少復雜的計算工作量，而且解決了過去無法解決的或者不能及時解決的問題。
例如，人造衛星和洲際導彈發射後，正確制導入軌計算；高能物理中熱核反應控制條件及能量計算；天文測量和天氣預報的計算；等等。現代工程中，電站、橋梁、水壩、隧道等的最佳設計方案的選擇，往往需要詳細計算幾十個甚至幾百個方案，藉助電子計算機可以節省大量的時間、人力的物力。
2．數據信息處理
信息是指由數據、信號等構成的內容。數據通常是指由描述事物的數字、字母和符號等組成的序列。數據信息處理是指對數據信息進行一系列的操作：對數據進行加工、分析、傳送和存儲及檢測等。
企業管理、物資管理、資料圖書管理、人事管理和業務管理等都是計算機信息處理的應用領域。有人統計，使用計算機進行數據信息處理，在計算機應用中所佔的比例已超過70%。
3．自動控制
利用計算機對連續的工業生產過程進行控制，稱為過程自動控制。被控制的對象可以是一台或一組機床、一條生產線、一個車間，甚至是整個工廠。利用計算機進行過程式控制制，對節省勞動力，減輕勞動強度，提高生產效率，降低能源消耗和成本，起著重要作用。當前自動化程度較高的生產設備都安裝有計算機。計算機在過程式控制制中的作用有啟停、巡迴檢測、自動調節、監視報警、記錄報表，等等，使控制對象始終保持最佳工作狀態。
據統計，目前全世界有將近20%的微型機被用於生產過程的控制，它應用於冶金、化工、電力、交通、機械等各個領域，還可以用一台或多台計算機與多台生產設備聯合在一起組成生產流水線，甚至可以控制一個車間的生產運轉，其經濟效益和技術效果更加顯著。例如，一台年產200萬噸的標准帶鋼熱軋機，如果人工控制，每星期的產量為500噸左右，而採用了計算機控制後，每周可以達到5萬噸，生產效率提高了100倍。