نقش یادگیری ماشین در بهینه سازی پارامترهای اصلاح دلتا

انواع سازگاری delta (ADM) اندازه گام را بر اساس الگوهای کوچک اخیر تنظیم می کنند - به عنوان مثال، بیت های متوالی همان هدایت یک گام بزرگتر را ایجاد می کنند در حالی که بیت های متناوب آن را کاهش می دهند، این سیستم های مبتنی بر قانون نمی توانند دینامیک سیگنال پیچیده را جذب کنند.

نقش حیاتی بهینه سازی پارامتر

پارامترهای بهینه سازی دلتا وابسته به سیگنال و زمان متغیر است.یک اندازه گام استاتیک ممکن است برای یک لحن ثابت کار کند اما برای سخنرانی با انفجار و مکث به طور مشابه، ضریب فیلتر پیش بینی نیاز به مدل سازی ساختار autocorrelationrelationing سیگنال نیاز به تخصص دامنه و تست آنری، که نه مقیاس پذیر است و نه سازگار است.

عواقب بهینه سازی ضعیف

• افزایش سر و صدای quantization (صدای بلند یا اضافه بار شیب)
• نسبت سیگنال به سیگنال های درجه بندی شده (SNR)
• نرخ خطای کوچک در مراحل انتقال بعدی
• استفاده کارآمد از پهنای باند به دلیل بیش از حد یا مراحل اضافی

قوانین سنتی ADM (مانند الگوریتم آهنگ یا سازگاری مبتنی بر فضا) برای کلاس های سیگنال محدود به خوبی کار می کنند، اما برای ورودی های مختلف در دنیای واقعی شکست خورده اند. تحقیقات نشان داده است که حتی شبکه های عصبی ساده می توانند این الگوریتم های ثابت را به خوبی تفسیر کنند.

رویکرد یادگیری ماشین به پارامترینگ

یادگیری ماشین سه پارادایم اصلی برای بهینه سازی مد نظر دلتا به ارمغان می آورد: یادگیری تقویت، یادگیری نظارت شده و یادگیری بدون نظارت.هر کدام جنبه های مختلف حلقه کنترل تطبیقی را در نظر می گیرند.

آموزش تقویت کننده برای Dynamic Step As Adaptation

یادگیری تقویت (RL) تنظیم کننده دلتا را به عنوان یک عامل که اندازه های گام را بر اساس وضعیت فعلی سیگنال و بیت های قبلی انتخاب می کند، رفتار پاداش خطا و حوادث بارگزاری شیب را مجازات می کند.بیش از هزاران آموزش RL-1، عامل RL یک سیاست را یاد می گیرد که تعادل اندازه گام در زمان واقعی را حفظ می کند. A مطالعه در [FIE0] الگوریتم پردازش استاندارد [x] که سیگنال های تجزیه و تحلیل را با سیگنال های سیگنال های پیام ثابت کرد.

مقاله کامل IEEE را بر روی مدل سازی دلتای مبتنی بر RLL (example link) بخوانید

آموزش عالی برای پیش بینی بهینه سازی فیلتر

یادگیری فوق العاده آموزش یک شبکه عصبی برای پیش بینی ارزش نمونه بعدی (یا اندازه گام مطلوب) با توجه به یک پنجره از نمونه های گذشته است.شبکه از داده های آموزش برچسب که در آن اندازه گام "صحیح" به صورت آفلاین با استفاده از جستجو کامل محاسبه می شود، هنگامی که مستقر شده، پارامترهای خروجی شبکه در هر نمونه گیری. Convolutional یا معماری تکراری رایج هستند، و همچنین آنها وابستگی های زمانی برای این سیگنال های تلفن های پیش بینی شده را به خوبی ضبط می کنند.

] تحقیقات تکمیلی: یادگیری عمیق برای تنظیم مجدد (arXiv) [[

آموزش عالی برای کشف الگو

روش های خوشه ای بدون نظارت - مانند مدل های مخلوط K-means یا Gaussian - می توانند بخش های سیگنال کوتاه را به کلاس ها تقسیم کنند، هر کدام با یک پارامتر بهینه پیش فرض شده است.در طول عملیات زمان واقعی، تنظیم کننده مشخص می کند که کدام بخش فعلی متعلق به و سوئیچ ها است، در حالی که کمتر دقیق تر از RL یا شبکه های تحت نظارت است، این روش محاسباتی و مناسب برای دستگاه های منابع مانند سنسورهای IoT است.

تکنیک های ترکیبی و Ensemble

ترکیب چندین مدل ML اغلب بهترین نتایج را به دست می آورد.برای مثال، یک شبکه عمیق می تواند از قبل بر روی مجموعه داده های بزرگ حرکت کند، سپس یک عامل RLD به صورت آنلاین به خوبی به کار می رود: از یک درخت تصمیم برای انتخاب بین چند متخصص شبکه عصبی از قبل آموزش دیده بر اساس ویژگی های سیگنال مانند نرخ صفر عبور یا انرژی.

مزایای واقعی و مطالعات موردی

یکپارچه سازی یادگیری ماشین در سیستم های تنظیم کننده دلتا بهبود قابل اندازه گیری در ارتباطات، پردازش صوتی و خواندن سنسور را به دست می آورد.

سیستم های ارتباطی صدا

کدک گفتار بر اساس مزایای تنظیم کننده دلتا از پارامترهای بهینه شده ML که با تنوع پذیری بلندگو و نویز پس زمینه سازگار می شوند، تست های Field بهبود 5-8 dB در کیفیت ادراکی (نماز آماری) را نشان داده اند که هنگام استفاده از پیش بینی مکرر شبکه عصبی، این به تماس های صوتی در کانال های کم پهنای باند روشن تر می شود.

سنسور های IoT و کم قدرت

بسیاری از سنسورهای بی سیم از مدولتا برای ارسال داده های پراکنده استفاده می کنند.یک رویکرد خوشه ای بدون نظارت، تعداد کل بیت های منتقل شده را تا 30٪ کاهش داد در حالی که حفظ وفاداری سیگنال، گسترش عمر باتری به طور قابل توجهی.

Audio and Music Compression

کدک های صوتی با وضوح بالا اغلب به نفع تکنیک های پیچیده تر از delta را دور می کنند، اما برای آرشیو بی از دست دادن ضبط های آنالوگ کلاسیک، یک DM سازگار با مسابقات بهینه سازی ML یا از بهره وری رمزگذاری ADPCM 2022 مطالعه موردی از جامعه حفظ صدا گزارش کاهش 15٪ در اندازه فایل بدون مصنوعات شنیدن.

چالش ها و مسیرهای آینده

علی رغم نتایج امیدوار کننده، استقرار یادگیری ماشین برای بهینه سازی مدولتا با موانع مواجه است.

محدودیت های محاسباتی

زمان واقعی اصلاح دلتا نیاز به تصمیم گیری در میکرو ثانیه ها.شبکه های عصبی عمیق با میلیون ها پارامتر بسیار کند و قدرت برای بسیاری از برنامه های جاسازی شده است.تحقیقات در شبکه های عصبی، شبکه های عصبی دودویی و شتاب دهنده های سخت افزاری (FPGA، ASIC) در حال انجام است.

آموزش داده ها و تعمیم

مدل های ML آموزش دیده در یک کلاس سیگنال (به عنوان مثال، گفتار) ممکن است در یک دیگر ضعیف عمل کند (به عنوان مثال، داده های لرزه ای). ایجاد مجموعه داده های متنوع و آموزش نمایندگی گران است. انتقال یادگیری و یادگیری متا-یادگیری راه هایی برای انطباق سریع مدل ها به دامنه های سیگنال جدید با چند نمونه ارائه می دهد.

ثبات زمان واقعی

الگوریتم های تطبیقی باید در تمام شرایط پایدار باشند.سیاست های یادگیری تقویتی گاهی اوقات می توانند نوسانات ایجاد کنند اگر عملکرد پاداش به دقت شکل نگیرد.

ادغام با استانداردهای موجود

مخابرات و استانداردهای صوتی (به عنوان مثال، G.726، MIL-STD-188)88 سفت و سخت هستند. معرفی سازگاری مبتنی بر ML نیاز به تغییرات در هر دو کدر و رمزگشایی دارد که ممکن است به عقب سازگار نباشد.

وعده آموزش فدرال

سیستم های آینده ی اصلاحی دلتا می توانند از یادگیری تغذیه شده برای بهبود پارامترهای در میلیون ها دستگاه بدون تمرکز بر داده ها استفاده کنند، هر دستگاه به صورت محلی از محیط سیگنال خود یاد می گیرد و تنها به روز رسانی های مدل (نه داده های خام) به اشتراک گذاشته می شوند.این حفظ حریم خصوصی و اهرم تنوع سیگنال های دنیای واقعی است.

نتیجه گیری

یادگیری ماشین، تغییر شکل دادن به روش های ثابت و مبتنی بر قانون به یک سیستم هوشمند، سازگار است که به طور مداوم پارامترهای آن را بهینه سازی می کند. یادگیری تقویت، شبکه های نظارت شده و تنظیم مجدد نشده هر ارائه مزایای منحصر به فرد برای کنترل اندازه گام، فیلتر و شناسایی الگو. استقرار واقعی در صدا، IoT، و فشرده سازی صوتی، بهبود قابل توجه صوتی، بهبود کیفیت پردازش صدا، و همچنین قابلیت پردازش سریع، و قابلیت های پردازش صدا، و همچنین قابلیت اطمینان سیستم های کامپیوتری.