Ⅰ 数字信号处理，如EEG信号，使用深度学习做的话，有什么思路
一）脑电图（EEG）检查：是在头部按一定部位放置8-16个电极，经脑电图机将脑细胞固有的生物电活动放大并连续描记在纸上的图形。正常情况下，脑电图有一定的规律性，当脑部尤其是皮层有病变时，规律性受到破坏，波形即发生变化，对其波形进行分析，可辅助临床对及脑部疾病进行诊断。
脑波按其频率分为：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波称为慢波，β和γ波称为快波。依年龄不同其基本波的频率也不同，如3岁以下小儿以δ波为主，3-6岁以θ波为主，随年龄增长，α波逐渐增多，到成年人时以α波为主，但年龄之间无明确的严格界限，如有的儿童4、5岁枕部α波已很明显。正常成年人在清醒、安静、闭眼时，脑波的基本节律是枕部α波为主，其他部位则是以α波间有少量慢波为主。判断脑波是否正常，主要是根据其年龄，对脑波的频率、波幅、两侧的对称性以及慢波的数量、部位、出现方式及有无病理波等进行分析。许多脑部病变可引起脑波的异常。如颅内占位性病变（尤其是皮层部位者）可有限局性慢波；散发性脑炎，绝大部分脑电图呈现弥漫性高波幅慢波；此外如脑血管病、炎症、外伤、代谢性脑病等都有各种不同程度的异常，但脑深部和线部位的病变阳性率很低。须加指出的是，脑电图表现没有特异性，必须结合临床进行综合判断，然而对于则有决定性的诊断价值，在阗痫发作间歇期，脑电图可有阵发性高幅慢波、棘波、尖波、棘一慢波综合等所谓“痛性放电”表现。为了提高脑电图的阳性率，可依据不同的病变部位采用不同的电极放置方法。如鼻咽电极、鼓膜电极和蝶骨电极，在开颅时也可将电极置于皮层（皮层电极）或埋入脑深部结构（深部电极）；此外，还可使用各种诱发试验，如睁闭眼、过度换气、闪光刺激、睡眠诱发、剥夺睡眠诱发以及静脉美解眠等。但蝶骨电极和美解眠诱发试验等方法，可给病人带来痛苦和损害，须在有经验者指导下进行。随着科技的日益发展，近年来又有了遥控脑电图和24小时监测脑电图。
（二）脑电地形图（BEAM）
是在EEG的基础上，将脑电信号输入电脑内进行再处理，通过模数转换和付立叶转换，将脑电信号转换为数字信号，处理成为脑电功率谱，按照不同频带进行分类，依功率的多少分级，最终使脑电信号转换成一种能够定量的二维脑波图像，此种图像能客观地反映各部电位变化的空间分布状态，其定量标志可以用数字或颜色表示，再用打印机打印在颅脑模式图上，或贮存在软盘上。它的优越性在于能发现EEG中较难判别的细微异常，提高了阳性率，且病变部位图像直观醒目，定位比较准确，从而客观对大脑机能进行评价。主要应用于缺血性脑血管病的早期诊断及疗效予后的评价，小儿脑发育与脑波变化的研究，视觉功能的研究，大浮肿瘤的定位以及精神物的研究等。
异常的EEG模式如果包括了整个大脑。意味着广泛的脑功能失调，异常的如果是局灶的，则提示有局灶的脑功能异常。EEG有可能提示大脑疾病的诊断，某些特殊EEG模式能够提示特定的疾病。
Ⅱ 深度学习和神经网络的区别是什么
这两个概念实际上是互相交叉的，例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
Ⅲ 深度学习能应用在哪些领域
深度学习的快速发展，不仅使机器学习得到许多实际的应用，还拓展了整个AI（人工智能的）的范围。 它将任务进行拆解，使得各种类型的机器辅助变成可能，具体分为以下几类应用：
1、无人驾驶汽车：深度学习在无人驾驶领域主要用于图像处理，可以用于感知周围环境、 识别可行驶区域检测、以及识别行驶路径识别。
2、图片识别及分类：识别出图片中的对象，并建立关键词，对图片进行分类。
3、机器翻译：基于深度学习理论，借助海量计算机模拟的神经元，在海量的互联网资源的依托下，来模仿人脑理解语言，形成更加符合语法规范、容易理解的译文。
4、目标识别：即不仅可以识别出是什么物体，还可以预测物体的位置，位置一般用边框标记。
5、情感识别：通过深度学习，帮助计算机识别新闻、微博、博客、论坛等文本内容中所包含情感态度，从而及时发现产品的正负口碑。
6、艺术创作：通过深度学习，让计算机学会根据不同的作曲家风格进行音乐编曲或者基于各流派画家进行绘画创作。
Ⅳ 隧道安全监控报警系统最大的作用是什么
1.告警精确度高
智能视频分析系统内置智能算法，能排除气候与环境因素的干扰，有效弥补人工监控的不足，减少视频监控系统整体的误报率和漏报率。
2.实时识别报警
基于智能视频分析和深度学习神经网络技术，对隧道监控区域内的异常行为进行监测，报警信息可显示在监控客户端界面，也可将报警信息推送到移动端。
3.全天候运行 稳定可靠
智能视频监控系统可对监控画面进行7×24不间断的分析，大大提高了视频资源的利用率，减少人工监控的工作强度。
4.告警存储功能
对隧道监控区域内的异常行为实时识别预警，并将报警信息存储到服务器数据库中，包括时间、地点、快照、视频等。
Ⅳ 神经网络（深度学习）的几个基础概念
从广义上说深度学习的网络结构也是多层神经网络的一种。传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适。而深度学习中最着名的卷积神经网络CNN，在原来多层神经网络的基础上，加入了特征学习部分，这部分是模仿人脑对信号处理上的分级的。具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与降维层，而且加入的是一个层级。输入层 - 卷积层 -降维层 -卷积层 - 降维层 -- .... -- 隐藏层 -输出层简单来说，原来多层神经网络做的步骤是：特征映射到值。特征是人工挑选。深度学习做的步骤是 信号->特征->值。 特征是由网络自己选择。
Ⅵ 深度学习时代，数字信号处理的前端已经过时了吗
作者：刘丹
链接：https://www.hu.com/question/35589548/answer/104032031
来源：知乎
着作权归作者所有，转载请联系作者获得授权。
人看法:深度学习在各领域都试图取代feature engineering,包括语音识别。其实语音的前端已经做得足够接近事物本质了，类比图像的同行他们已经原始像素输入很多年了。
识别这块进入dnn时代就逐渐fbank甚至倒谱成为主流，而梅尔窗、dct变换等传统语音识别认为必备的处理也逐渐变得无足轻重甚至有害。而在引入lstm后，鲁棒性的必备杀器cmn也不是那么重要了。
深度学习鼓吹的一个重要方面就是representation learning,在模型能力有限时，前端非常重要，而对于具有强表现力的模型和足够大数据量，这些都有可能通过学习得到，而不需要确定的前端处理。同时，前端处理在获取更容易区分特征的同时，必然带来信息损失，这也是fbank输入比mfcc好的主要原因。
以mfcc为例，当年梅尔做的一个很伟大的工作就是通过测人耳对不同频带的听觉响应最终设计出从低频到高频不同尺度的三角窗，这个对传统gmm模型非常有用。但到了深度学习框架下，系统一个个minibatch处理数据，从目标函数回传的梯度自己就会实现:发不同音素时低频带区分性很明显，需要加强;高频带梯度累加没太大变化，应该削弱;高频部分通过一个变换矩阵后有用，应该逐渐保留这种结构……便可以学到类似梅尔倒谱的东西。但机器完全没有理论指导盲目相信数据的结果很有可能学到不合理的前端变换并且对集内拟合很好，这种过拟合就一般需要大的训练数据纠正。
那么是否信号处理知识完全无用呢？当然不是。前面说了需要合适的模型结构和足够的表现能力。比如对于没有recurrent结构的模型它必然无法学到可以取代cmn的能力。另一个例子就是题主说的原始时域信号输入，我们如果没有语音信号短时平稳特性的知识，闭着眼睛扔波形信号只是玩闹。而它主要希望处理的多麦克风信号如果没有beam forming的知识和设法利用相位差信息的指导，也肯定玩不转。一个后端的例子就是这些年一些machine learning的人做语音识别在end to end指导下直奔字母建模单元，个人表示呵呵。
Ⅶ 深度学习与神经网络有什么区别
深度学习与神经网络关系
2017-01-10
最近开始学习深度学习，基本上都是zouxy09博主的文章，写的蛮好，很全面，也会根据自己的思路，做下删减，细化。
五、Deep Learning的基本思想
假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为： I =>S1=>S2=>…..=>Sn => O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失（呵呵，大牛说，这是不可能的。信息论中有个“信息逐层丢失”的说法（信息处理不等式），设处理a信息得到b，再对b处理得到c，那么可以证明：a和c的互信息不会超过a和b的互信息。这表明信息处理不会增加信息，大部分处理会丢失信息。当然了，如果丢掉的是没用的信息那多好啊），保持了不变，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息（即输入I）的另外一种表示。现在回到我们的主题Deep Learning，我们需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设我们设计了一个系统S（有n层），我们通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…, Sn。
对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。
另外，前面是假设输出严格地等于输入，这个限制太严格，我们可以略微地放松这个限制，例如我们只要使得输入与输出的差别尽可能地小即可，这个放松会导致另外一类不同的Deep Learning方法。上述就是Deep Learning的基本思想。
六、浅层学习（Shallow Learning）和深度学习（Deep Learning）
浅层学习是机器学习的第一次浪潮。
20世纪80年代末期，用于人工神经网络的反向传播算法（也叫Back Propagation算法或者BP算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律，从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显出优越性。这个时候的人工神经网络，虽也被称作多层感知机（Multi-layer Perceptron），但实际是种只含有一层隐层节点的浅层模型。
20世纪90年代，各种各样的浅层机器学习模型相继被提出，例如支撑向量机（SVM，Support Vector Machines）、 Boosting、最大熵方法（如LR，Logistic Regression）等。这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。这些模型无论是在理论分析还是应用中都获得了巨大的成功。相比之下，由于理论分析的难度大，训练方法又需要很多经验和技巧，这个时期浅层人工神经网络反而相对沉寂。
深度学习是机器学习的第二次浪潮。
2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2）深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wise pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。
当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。（多层的好处是可以用较少的参数表示复杂的函数）
而为了克服神经网络训练中的问题，DL采用了与神经网络很不同的训练机制。传统神经网络（这里作者主要指前向神经网络）中，采用的是back propagation的方式进行，简单来讲就是采用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前输出和label之间的差去改变前面各层的参数，直到收敛（整体是一个梯度下降法）。而deep learning整体上是一个layer-wise的训练机制。这样做的原因是因为，如果采用back propagation的机制，对于一个deep network（7层以上），残差传播到最前面的层已经变得太小，出现所谓的gradient diffusion（梯度扩散）。这个问题我们接下来讨论。
八、Deep learning训练过程
8.1、传统神经网络的训练方法为什么不能用在深度神经网络
BP算法作为传统训练多层网络的典型算法，实际上对仅含几层网络，该训练方法就已经很不理想。深度结构（涉及多个非线性处理单元层）非凸目标代价函数中普遍存在的局部最小是训练困难的主要来源。
BP算法存在的问题：
（1）梯度越来越稀疏：从顶层越往下，误差校正信号越来越小；
（2）收敛到局部最小值：尤其是从远离最优区域开始的时候（随机值初始化会导致这种情况的发生）；
（3）一般，我们只能用有标签的数据来训练：但大部分的数据是没标签的，而大脑可以从没有标签的的数据中学习；
8.2、deep learning训练过程
如果对所有层同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递。这会面临跟上面监督学习中相反的问题，会严重欠拟合（因为深度网络的神经元和参数太多了）。
2006年，hinton提出了在非监督数据上建立多层神经网络的一个有效方法，简单的说，分为两步，一是每次训练一层网络，二是调优，使原始表示x向上生成的高级表示r和该高级表示r向下生成的x'尽可能一致。方法是：
1）首先逐层构建单层神经元，这样每次都是训练一个单层网络。
2）当所有层训练完后，Hinton使用wake-sleep算法进行调优。
将除最顶层的其它层间的权重变为双向的，这样最顶层仍然是一个单层神经网络，而其它层则变为了图模型。向上的权重用于“认知”，向下的权重用于“生成”。然后使用Wake-Sleep算法调整所有的权重。让认知和生成达成一致，也就是保证生成的最顶层表示能够尽可能正确的复原底层的结点。比如顶层的一个结点表示人脸，那么所有人脸的图像应该激活这个结点，并且这个结果向下生成的图像应该能够表现为一个大概的人脸图像。Wake-Sleep算法分为醒（wake）和睡（sleep）两个部分。
1）wake阶段：认知过程，通过外界的特征和向上的权重（认知权重）产生每一层的抽象表示（结点状态），并且使用梯度下降修改层间的下行权重（生成权重）。也就是“如果现实跟我想象的不一样，改变我的权重使得我想象的东西就是这样的”。
2）sleep阶段：生成过程，通过顶层表示（醒时学得的概念）和向下权重，生成底层的状态，同时修改层间向上的权重。也就是“如果梦中的景象不是我脑中的相应概念，改变我的认知权重使得这种景象在我看来就是这个概念”。
deep learning训练过程具体如下：
1）使用自下上升非监督学习（就是从底层开始，一层一层的往顶层训练）：
采用无标定数据（有标定数据也可）分层训练各层参数，这一步可以看作是一个无监督训练过程，是和传统神经网络区别最大的部分（这个过程可以看作是feature learning过程）：
具体的，先用无标定数据训练第一层，训练时先学习第一层的参数（这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层），由于模型capacity的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；
2）自顶向下的监督学习（就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调）：
基于第一步得到的各层参数进一步fine-tune整个多层模型的参数，这一步是一个有监督训练过程；第一步类似神经网络的随机初始化初值过程，由于DL的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果；所以deep learning效果好很大程度上归功于第一步的feature learning过程。
Ⅷ 为什么要学习深度学习
主要从下面三部分展开：
1、了解什么是深度学习，深度学习是机器学习与神经网络、人工智能、图形化建模、优化、模式识别和信号处理等技术融合后产生的一个领域。在严谨的学术期刊中,这个新兴学科的模型一直受严肃理智的学者所推崇:"深度学习网络是神经网络革命性的发展,人们甚至认为可以用它来创建更强大的预测模型。”
2、深度学习的流程
在学习深度学习的核心思想时,我们采取的通用方法一般如下图所示。无论开发什么类型的机器学习模型,最终都回归到这个基本模型。输入数据传递给模型,经过多个非线性层进行过滤,最后一层包含分类器——决定该对象所属的种类。
多层深度神经网络有多个非线性层级,可以紧凑地表示高度非线性的和/或高度变化的函数。它们擅长识别数据中的复杂模式,可以用来改进计算机视觉和自然语言处理等工作,并可以解决非结构化数据难题。
Ⅸ 深度学习和神经网络的区别是什么
从广义上说深度学习的网络结构也是多层神经网络的一种。
传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适。
而深度学习中最着名的卷积神经网络CNN，在原来多层神经网络的基础上，加入了特征学习部分，这部分是模仿人脑对信号处理上的分级的。具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与降维层，而且加入的是一个层级。
输入层 - 卷积层 -降维层 -卷积层 - 降维层 -- .... -- 隐藏层 -输出层
简单来说，原来多层神经网络做的步骤是：特征映射到值。特征是人工挑选。
深度学习做的步骤是 信号->特征->值。 特征是由网络自己选择。
Ⅹ 怎样利用深度学习，增强学习等方法提高信息处理效率
1．科学计算
在科学技术及工程设计应用中，所遇到的各种数学问题的计算，统称为科学计算。计算机的应用，最早就是从这一领域开展的。电子计算机在科学计算和工程设计中大有作为，它不仅能减少复杂的计算工作量，而且解决了过去无法解决的或者不能及时解决的问题。
例如，人造卫星和洲际导弹发射后，正确制导入轨计算；高能物理中热核反应控制条件及能量计算；天文测量和天气预报的计算；等等。现代工程中，电站、桥梁、水坝、隧道等的最佳设计方案的选择，往往需要详细计算几十个甚至几百个方案，借助电子计算机可以节省大量的时间、人力的物力。
2．数据信息处理
信息是指由数据、信号等构成的内容。数据通常是指由描述事物的数字、字母和符号等组成的序列。数据信息处理是指对数据信息进行一系列的操作：对数据进行加工、分析、传送和存储及检测等。
企业管理、物资管理、资料图书管理、人事管理和业务管理等都是计算机信息处理的应用领域。有人统计，使用计算机进行数据信息处理，在计算机应用中所占的比例已超过70%。
3．自动控制
利用计算机对连续的工业生产过程进行控制，称为过程自动控制。被控制的对象可以是一台或一组机床、一条生产线、一个车间，甚至是整个工厂。利用计算机进行过程控制，对节省劳动力，减轻劳动强度，提高生产效率，降低能源消耗和成本，起着重要作用。当前自动化程度较高的生产设备都安装有计算机。计算机在过程控制中的作用有启停、巡回检测、自动调节、监视报警、记录报表，等等，使控制对象始终保持最佳工作状态。
据统计，目前全世界有将近20%的微型机被用于生产过程的控制，它应用于冶金、化工、电力、交通、机械等各个领域，还可以用一台或多台计算机与多台生产设备联合在一起组成生产流水线，甚至可以控制一个车间的生产运转，其经济效益和技术效果更加显着。例如，一台年产200万吨的标准带钢热轧机，如果人工控制，每星期的产量为500吨左右，而采用了计算机控制后，每周可以达到5万吨，生产效率提高了100倍。