tvoy_hod

Методы цифровой обработки сигналов находят применение в самых разных областях науки и техники: от беспроводной связи и радиотехники до распределенных виброакустических сенсоров и нейроинтерфейсов. Такие методы используются как в задачах, где для обучения нейросетей недостаточно размеченных данных, так и в комбинации с методами глубокого и классического машинного обучения — это позволяет повысить точность оптимизации моделей и улучшить их интерпретируемость. Условно эти задачи можно разделить на два направления:

1. Работа с искусственно модулированными сигналами (например, в телекоммуникациях);
2. Анализ сигналов естественного происхождения, формирующихся под воздействием физических процессов (вибрации, акустические шумы, биосигналы).

Ранее автором был разработан фреймворк для анализа естественных сигналов, в котором реализуются современные (в том числе и авторские) подходы к решению следующих задач:

1. Модовая декомпозиция (выделение структурных компонент сигнала);
2. Частотно-временной анализ;
3. Адаптивная фильтрация. Однако с развитием deep learning нейросетевые методы демонстрируют превосходство над традиционными эвристиками в задачах восстановления и прогнозирования сигналов. Поэтому автор планирует изучить их использование в контексте более широкого списка задач цифровой обработки сигналов — путем интеграции таких методов в свой фреймворк и сравнения метрик на тестах с синтетическими и реальными данными. Ссылка на фреймворк: https://github.com/Dimandragon/non-parametric-dsp
   Ссылка на препринт статьи о нейросетевых методах численной аппроксимации: https://arxiv.org/abs/2209.09078