从隔壁老王开始的信号处理入门
阿里云国内75折 回扣 微信号:monov8 |
阿里云国际,腾讯云国际,低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号:monov8 飞机:@monov6 |
我是从GNN被扔到NLP然后又做起了GNN现在又被喊去搞时间序列分类所以现在才开始看信号处理因为我开始做GNN以来GNN就以图域而非谱域为主了所以那时我没怎么看过信号处理。
所以写个笔记。
最近更新时间2023.1.13
最早更新时间2023.1.13
文章目录
1. 卷积相关
太复杂了无力地比划根本看不懂这啥玩意儿
再讲卷积的本质及物理意义解释的真幽默
一文读懂深度学习中的各种卷积
2. GNN相关
总之图信号处理就是要给节点做平滑啊巴拉巴拉的我也不知道为啥
然后图卷积就是在谱域上定义的卷积图从空域转换为谱域就是通过傅里叶变换实现的
我之前写过相关博文
从0开始的GNN导学课程笔记→介绍了一点傅里叶变换
Re2读论文 CS-GNN Measuring and Improving the Use of Graph Information in Graph Neural Networks→这篇paper讲了一点图信号处理、信息增益与图特征相似程度的关系巴拉巴拉的我也没看懂先列出来吧
其他相关参考资料大多都是介绍GNN谱域方法时有所提及
人大魏哲巍图神经网络的理论基础搜索“信号处理”关键词只能看到这句从图信号处理的角度出发我们希望通过该观测点指图中某一节点周围的信号对其进行平滑处理使得该观测点的温度数据更加准确。……但是反正可供参考吧列出
图卷积神经网络理论基础这篇讲傅里叶变换感觉比我讲得好感觉他真的知道他在说啥尤其是那个动图感觉很清晰我看到后面懵了。以后我写写我的读后理解这个推文里面的公式好像只能在手机端看到我PC端Chrome浏览器就看不到了
[万字综述] 重新思考空域与谱域GNN之间的联系这篇是Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks的阅读笔记反正它虚空比划一番那样我没看懂
【图神经网络】数学基础篇
收藏|图神经网络综述
基于GNN的不同变种及其应用
3. 一些我流名词解释
信号特征啊之类的数字/信号强度
通道特征维度3通道信号就是3维度特征有3个信号
带宽band频率范围
时域自变量是时间因变量是信号
空域图版的时域自变量是节点be like一种离散的时域
频域GNN中叫谱域将时域的信号经傅里叶变换后转换为以频率为自变量、振幅能量为因变量的图spectrogram
把时域图按照窗口分成很多小段每一段视为一个周期函数、做一个傅里叶变换最后得到下图自变量为时间因变量为频率颜色为能量
实现这个操作的API可参考scipy.signal.spectrogram — SciPy v1.10.0 Manual
傅里叶变换反正就是干这事的
自相关
互相关cross-correlation
小波分析依然不知道在说什么东西总之大约跟傅里叶变换干的事差不多吧
小波变换
信号处理 - 小波
4. 时间序列特征抽取
什么什么的我还没看懂脑子晕求了。
5. 看到下辈子的参考资料
- 书
奥本海姆《离散时间信号处理》
小波十讲
《数字信号处理第二版》程乾生北京大学出版社
《信号与系统引论》 郑君里应启珩杨为理高等教育出版社 - 网络资料
- 代码实现和分析