In this paper, neural network appro

In this paper, neural network approach is addressed for signal reconstruction under the frame of compressed
sensing. By introducing implicit variables, we convert the basis pursuit denoising model into a
quadratic programming problem. Based on a class of generalized Fischer–Burmeister complementarity
functions, we establish a neural network method for the signal reconstruction of compressed sensing. A
projection neural network is also presented to recover the original signals. These two neural networks can
be implemented using integrated circuits and two block diagrams of the neural networks are presented.
Based on our proposed method, some potential applications of the compressed sensing are discussed.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ วิธีโครงข่ายประสาทส่งสัญญาณภายใต้กรอบของการบีบอัดตรวจจับ โดยการนำตัวแปรนัย เราแปลงการแสวงหาเกณฑ์ denoising รูปแบบในการกำลังสองปัญหาเขียนโปรแกรม ตามระดับของเขา Fischer – Burmeister ทั่วไปฟังก์ชัน เราสร้างวิธีโครงข่ายประสาทสำหรับการฟื้นฟูสัญญาณตรวจจับบีบอัด Aข่ายประสาทฉายยังได้รับการนำเสนอการกู้คืนสัญญาณเดิม เครือข่ายประสาทเหล่านี้สองสามารถจะดำเนินการโดยใช้วงจรรวม และบล็อกไดอะแกรมเครือข่ายประสาทแสดงจากวิธีการนำเสนอของเรา บางโปรแกรมอาจมีการจับบีบอัดมีการกล่าวถึง

ผลลัพธ์ (ไทย) 2:

ในบทความนี้วิธีเครือข่ายประสาทถูกส่งสัญญาณสำหรับการฟื้นฟูภายใต้กรอบของการบีบอัด
การตรวจจับ โดยการแนะนำตัวแปรโดยปริยายเราแปลงรูปแบบ denoising พื้นฐานการแสวงหาเป็น
ปัญหาการเขียนโปรแกรมการกำลังสอง ขึ้นอยู่กับระดับของทั่วไป Fischer-เมอสเตอร์ complementarity
ฟังก์ชั่นเราสร้างวิธีเครือข่ายประสาทเทียมสำหรับการฟื้นฟูของสัญญาณของการตรวจวัดการบีบอัด
เครือข่ายการฉายประสาทนอกจากนี้ยังจะนำเสนอในการกู้คืนสัญญาณเดิม ทั้งสองเครือข่ายประสาทสามารถ
จะดำเนินการโดยใช้วงจรรวมและสองบล็อกไดอะแกรมของเครือข่ายประสาทจะถูกนำเสนอ.
ขึ้นอยู่กับวิธีที่นำเสนอของเราบางงานที่มีศักยภาพของการตรวจวัดการบีบอัดที่จะกล่าวถึง