. ConclusionIn this paper, two neur

. Conclusion
In this paper, two neural network approaches are presented for
signal reconstruction of compressed sensing. First, by introducing
implicit variables, we convert the original signal reconstruction
model into a quadratic programming problem. Second, we construct
a nonnegative energy function based on a class of generalized
Fischer–Burmeister complementarity functions. Then,the twoneural
network models for the signal reconstruction of compressed
sensing are established. The two neural networks can be implemented
using integrated circuits. Last, there are some potential
applications of the compressed sensing presented. The neural network
approach can make signal reconstruction of compressed
sensing in real-time.

ผลลัพธ์ (ไทย) 1:

. สรุปในกระดาษนี้ โครงข่ายประสาทสองวิธีแสดงสำหรับสัญญาณคอยบีบจับ โดยการแนะนำครั้งแรกตัวแปรนัย เราแปลงฟื้นฟูสัญญาณเดิมแบบจำลองในโปรแกรมกำลังสอง ที่สอง เราสร้างฟังก์ชัน nonnegative พลังงานตามแบบทั่วไปFischer – Burmeister เขาฟังก์ชัน แล้ว twoneuralรูปแบบเครือข่ายสำหรับการฟื้นฟูสัญญาณการบีบอัดการตรวจวัดจะก่อตั้ง สามารถดำเนินการสองเครือข่ายประสาทใช้วงจรแบบรวม สุดท้าย มีศักยภาพบางอย่างการใช้งานของการตรวจจับบีบอัดที่นำเสนอ ข่ายประสาทวิธีทำคอยสัญญาณถูกบีบอัดการตรวจวัดแบบเรียลไทม์

ผลลัพธ์ (ไทย) 2:

. สรุป
ในบทความนี้สองวิธีเครือข่ายประสาทจะถูกนำเสนอสำหรับ
การฟื้นฟูของสัญญาณของการตรวจวัดการบีบอัด ครั้งแรกโดยการแนะนำ
ตัวแปรโดยปริยายเราแปลงสัญญาณเดิมฟื้นฟู
รุ่นเป็นปัญหาการเขียนโปรแกรมการกำลังสอง ประการที่สองเราสร้าง
ฟังก์ชั่นการใช้พลังงานที่ไม่เป็นลบขึ้นอยู่กับระดับของทั่วไป
Fischer-เมอสเตอร์ฟังก์ชั่น complementarity จากนั้น twoneural
รุ่นเครือข่ายสำหรับการฟื้นฟูของสัญญาณของการบีบอัด
การตรวจวัดมีการจัดตั้ง ทั้งสองเครือข่ายประสาทสามารถดำเนินการได้
โดยใช้วงจรรวม ที่ผ่านมามีบางส่วนที่มีศักยภาพ
การใช้งานของการตรวจวัดการบีบอัดที่นำเสนอ เครือข่ายประสาท
วิธีการฟื้นฟูสามารถทำให้สัญญาณของการบีบอัด
การตรวจวัดในเวลาจริง