short-time Fourier transform
PulseAugur coverage of short-time Fourier transform — every cluster mentioning short-time Fourier transform across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新研究探索脉冲神经网络的高级训练方法
近期 arXiv 上的两篇论文探讨了训练脉冲神经网络（SNNs）的高级技术。第一篇论文介绍了一个通用框架，通过引入额外的状态变量来整合延迟到 SNNs 中，增强其捕捉时间依赖性的能力，并在较小网络中显示出效率提升。第二篇论文提出了 Phase State Space Models，它将状态空间模型（State Space Models）适配于 SNNs 的并行和无替代训练，在一个与脉冲兼容的架构中整合了短时傅里叶变换（STFT）、循环…
-
新型混合深度学习模型增强射频调制识别能力
研究人员开发了一种新颖的不确定性驱动混合深度学习架构，用于射频（RF）调制识别。该系统结合了来自FFT预处理的光谱信息和来自STFT频谱图的时频特征。它采用2D CNN进行快速初步分类，使用MC Dropout进行贝叶斯不确定性估计，并在置信度低时使用BiLSTM进行二次决策。该方法在推理时间为0.138毫秒的情况下达到了83.3%的准确率，优于传统方法，尤其是在区分基于FSK的调制方面。
-
Qualcomm SoC：测量音频AI的STFT计算路径
本文探讨了在Qualcomm片上系统（SoC）上计算短时傅里叶变换（STFT）的五种不同方法，特别关注Snapdragon SM8650。文章详细介绍了使用CPU、专用数字信号处理器（cDSP）和神经网络处理单元（NPU）的实现方式，并测量了每种方法的精度、延迟和功耗。研究结果表明，最佳方法取决于下游音频AI管道的具体需求，而不是单一的普遍最佳方法。
-
新方法通过内部频谱分析检测神经网络故障
研究人员发现了一种称为“频谱漂移”的现象，其中神经网络的错误分类表现出内部激活特征不稳定性，而在输出层并不明显。这种频谱特征在内部处理过程中出现，但在最终输出中被掩盖，使得基于置信度的检测方法难以奏效。为解决此问题，开发了一个名为“自检测神经网络”（SDNN）的框架，该框架利用短时傅里叶变换和小波分解等频谱分析技术来监测网络内部动态。在CIFAR-10上的实验表明，SDNN的AUROC显著高于传统的基于置信度的基线方法。
-
新框架重构低质量 PPG 信号以准确估算 SpO2
研究人员开发了一种新颖的框架，用于重构低质量双波长光电容积脉搏图 (PPG) 信号，这对于可穿戴健康监测中的连续血氧饱和度 (SpO2) 估算至关重要。该方法采用 SpO2 预测器来指导阶段式重构过程，结合了时域波形损失和源自短时傅里叶变换 (STFT) 的频域损失。通过将 SpO2 预测器作为约束，重构优先保留与 SpO2 相关的信息，而不是仅仅最小化波形误差。在公共和私有数据集上的实验表明，其性能优越，分别实现了最低的受试者级别平…
-
YOLO 模型利用 CWT 频谱图增强轴承故障检测
研究人员开发了一种新的轴承故障监测振动传感框架，该框架利用连续小波变换 (CWT) 频谱图和 YOLOv9、YOLOv10 和 YOLOv11 等目标检测模型。这种方法通过在时频域中定位能量区域来增强对弱信号和非平稳故障特征的检测。在基准数据集上的实验表明，与传统方法相比，检测能力和鲁棒性得到了提高，并取得了较高的平均精度 (mAP) 分数。
-
新方法融合二维/一维信号，实现鲁棒的水声调制识别
研究人员开发了一种新颖的水声调制识别方法，特别解决了分布偏移带来的挑战。他们的方法SCP-TriCA融合了异构的二维和一维信号表示，包括时频图、循环平稳图和统计描述符。这种融合通过双向交叉注意力机制处理二维模态，并通过样本自适应选择门控机制整合一维统计信息来实现。该方法在UAMR-ShiftBench上进行了评估，这是一个旨在系统测试在包括真实海试在内的各种偏移类型下的性能的新基准。
-
PhaseNet++ 利用相位数据进行高级工业控制系统异常检测
研究人员开发了PhaseNet++，一种利用时频变换相位信息来检测工业控制系统（ICS）中异常的新方法。与以往仅关注幅度的先前方法不同，PhaseNet++ 利用了短时傅里叶变换的幅度和相位谱。该系统包含一个相位相干指数来指导图注意力网络，以及一个Transformer编码器来捕捉系统级结构，在安全水处理（SWaT）基准测试中取得了高性能。