fast Fourier transform
PulseAugur coverage of fast Fourier transform — every cluster mentioning fast Fourier transform across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
利用频域证据增强LLM在时间序列异常检测中的性能
研究人员开发了一个新的框架，用于时间序列异常检测，该框架利用大型语言模型（LLMs），并将频域证据与传统时域数据相结合。这种方法称为AnomLLM，利用快速傅里叶变换（FFT）提取全局和局部频谱信息，从而揭示时间结构的变化，如周期性偏移或局部波动。实验表明，这种证据增强的方法在测试InternVL2-LLaMA3-76B、Qwen2.5-VL-72B-Instruct、Gemini-2.5-Flash和GPT-4o等模型时，提高了基于…
-
快速傅里叶变换：从核探测到日常科技
快速傅里叶变换（FFT）是一种将声音信号转换为可视化表示的算法，可用于音频指纹识别和信号处理等应用。FFT 最初是为了检测核试验而开发的，如今已成为音乐识别应用程序、数码摄影和法医音频分析等技术不可或缺的一部分。该算法的核心思想是将复杂的声波（表示为随时间变化的数字序列）分解为其组成频率，这很像人耳的耳蜗通过机械方式按音高对声音进行分类。
-
新型CNN提升了在噪声条件下轴承故障诊断能力
研究人员开发了一种新颖的卷积神经网络，用于轴承故障诊断，在噪声环境下尤其有效。该网络采用双域方法，结合了时域和频域分支。时域分支捕捉多尺度脉冲特征，而频域分支利用快速傅里叶变换提取频谱信息。在CWRU轴承数据集上的实验表明，尤其是在强噪声条件下，准确性显著提高，优于现有方法。
-
新框架解决了多视图聚类中的周期性缺陷
研究人员发现，现有依赖快速傅里叶变换（FFT）的张量多视图聚类（TMC）框架存在一个关键缺陷。这种依赖引入了一个与样本排列相关的隐式“周期性假设”，当样本被随机置换时会导致性能下降。为了克服这一点，提出了一种使用图傅里叶变换（GFT）的新型图谱低秩张量学习框架。该方法用数据驱动的图谱基替换了固定的傅里叶基，捕捉内在流形结构而不依赖于样本排序。还引入了一种基于锚点的变体，用于高效处理大型数据集。
-
新的DDMSR框架解决了多模态推荐中的噪声问题
研究人员开发了一个名为DDMSR的新框架，以解决多模态序列推荐系统中的双重噪声困境。该框架旨在通过在特征和序列层面净化信号来提高推荐准确性。它利用基于图的特征去噪（通过拉普拉斯平滑）和采用快速傅里叶变换（FFT）的频域序列去噪模块来过滤掉不相关或异常的数据。此外，多模态对比对齐目标确保了跨模态的一致性，实验表明DDMSR在基准数据集上的表现优于现有方法。
-
新研究利用先进的AI技术解决音频深度伪造检测问题
研究人员正在开发先进的音频深度伪造检测方法，重点是提高泛化能力和可解释性。一种名为SONAR的方法利用频率引导框架来利用合成音频中的高频伪影，取得了最先进的性能。另一种方法采用维纳-霍普夫线性预测结合轻量级CNN，创建了一个可解释的检测系统，该系统在较低的复杂性下保持了具有竞争力的准确性。此外，一个使用大型音频语言模型的受人类启发的推理框架旨在为深度伪造分类提供更具可解释性的理由，而其他研究则调查了检测模型中的性别偏见，并提出了结合空…
-
AI框架优化遗传算法超参数用于材料设计
研究人员开发了一个多保真度框架，用于优化晶格材料设计的遗传算法（GA）超参数。该系统在贝叶斯优化（BO）框架内，结合了高保真度快速傅里叶变换（FFT）均质化、中保真度3D卷积神经网络代理模型以及低保真度高斯过程（GP）代理模型。研究发现，logNEI采集函数表现最佳，并且惩罚性BO目标在保持机械性能的同时，将所需的晶格数量减少了24%。
-
贝叶斯优化框架增强了材料科学中遗传算法超参数的调优
研究人员开发了一个多保真度框架，用于优化晶格材料设计的遗传算法 (GA) 超参数。该框架在贝叶斯优化 (BO) 方法中结合了高保真度快速傅里叶变换 (FFT) 均质化、中保真度 3D 卷积神经网络和低保真度高斯过程。研究发现，logNEI 采集函数最有效，而惩罚性 BO 目标在保持性能的同时减少了所需晶格的数量。这种优化方法在 25 代 GA 运行中实现了与完整 75 代运行相当的弹性模量值，将计算成本降低了 24%，并消除了对晶格突变的需求。
-
新的Wigner--Ville谱方法改进了电网异常检测
一篇新研究论文提出使用Wigner--Ville分布切片（WVDS）谱进行电网异常检测。该方法实时分析电压波形，旨在识别发生的扰动。与传统的快速傅里叶变换（FFT）方法相比，WVDS方法结合基线归一化偏差得分，显示出更低的误报率，将发病前误报率降低至0.69%。虽然WVDS的选择性更强，但它也比FFT错过了更多的异常。
-
神经形态神经元增强雷达信号处理
研究人员为调频连续波（FMCW）雷达系统开发了一种新颖的受神经形态启发的信号处理技术。该方法利用自适应谐振激发神经元，通过匹配主导频率分量直接估计目标距离和速度，绕过了传统的快速傅里叶变换（FFT）方法。该方法逐样本运行，大大降低了内存需求，使其能够根据跟踪目标的数量而不是信号长度进行扩展，非常适合资源受限的边缘应用。
-
FFT 算法与处理序列数据的新方法进行基准测试
本文将快速傅里叶变换 (FFT) 算法与一种新颖的序列数据处理方法进行了基准测试。作者详细介绍了一个旨在支持日语学习者的项目，并提出了 FFT 方法在该领域的潜在应用。文章探讨了这些不同计算技术的性能和效率。
-
SFHformer 结合 FFT 和 Transformer 实现高级图像恢复
研究人员开发了 SFHformer，一个将快速傅里叶变换 (FFT) 与 Transformer 架构相结合的新型图像恢复框架。该方法利用空间域和频率域来建模局部和全局图像特征，解决了各种退化现象的挑战。该框架在多个数据集上针对去雨、去雾、去模糊和低光增强等任务展示了最先进的性能，在性能、参数量和计算成本之间取得了良好的平衡。
-
新方法使用FFT插值在没有矩阵求逆的情况下解决最小问题
研究人员开发了一种新颖的方法来解决相机几何估计中的最小问题，该方法避免了矩阵求逆。这种新方法利用稀疏隐藏变量结果式，并通过逆快速傅里叶变换插值来重建行列式多项式。与传统的Gröbner基求解器相比，该方法在数值稳定性和运行时性能方面表现出色，为小规模问题提供了一个实用的替代方案。
-
Caracal架构使用傅里叶变换实现高效长序列建模
研究人员推出了Caracal，这是一种旨在提高大型语言模型处理长序列可扩展性的新架构。Caracal用参数高效的多头傅里叶模块取代了计算成本高昂的注意力机制，该模块利用了快速傅里叶变换。这种方法通过解决二次成本和位置编码的限制，为长序列建模提供了一条更有效的途径，同时通过标准库运算符保持了可移植性。