12月第二周 ——总结

VMD是信号分解方法

VMD是一种信号分解方法，全称是Variable Mode Decomposition（可变模分解），可以将时间序列信号分解成多个固有模态函数（Intrinsic Mode Functions，IMFs）和一个残差项（Residue）。VMD的核心思想是通过多个变量来描述信号，并将每个变量分解成几个频率域相近的模态。VMD方法对信号的时变特性和局部频率的变化都有良好的适应性，因此在处理非平稳信号、非线性信号和具有多个频率成分的信号等方面具有非常广泛的应用。

VMD方法的具体步骤如下：

1.将原始信号进行预处理，去除趋势项和直流分量等。

2.选择一组正交变量，并利用变分法寻找每个变量的优化解。

3.将每个变量分解成若干个固有模态函数和一个残差项。固有模态函数的个数可以根据信号的特性和应用要求进行确定。

4.对分解后得到的每个固有模态函数进行重构，得到原始信号的近似解。

总之，VMD方法通过将信号分解成多个固有模态函数和一个残差项，使得信号的时频特性得到更好的描述和分析，适用于多个领域的信号分析应用。

信号分解有16方法

VMD:变量一频率最低

第二分量比第一还要低

参数： N

信号分为六个分量

可能遇到下面的问题

换个其他方法对比，性能提高

模型融合： cnn+rnn

新的深度学习算法模型 用到情绪识别上

cfc a类会议提出新的深度学习算法模型重点关注

迁移学习

迁移学习是指将已经在一些任务上学习到的知识和经验应用到新的任务中，以提高学习效果和速度。这种方法可以减少在新任务中需要进行的训练数据量，使得新任务的学习时间更短，效果更好。迁移学习可以应用于各种领域，比如自然语言处理、计算机视觉、声音识别等。在训练过程中，可以使用预训练模型或者使用已训练好的网络层进行调整，以满足新任务的要求。迁移学习的优点在于可以将不同任务之间的相似性联系起来，从而更好地利用已有的知识，提高学习效率。

CFC A类会议指的是计算机科学领域中排名较高的国际学术会议，其被收录在CiteSeer等学术论文数据库中，被广泛认可为计算机科学领域顶级学术会议之一。CFC A类会议包括但不限于：ACM SIGGRAPH, ACM SIGMOD, IEEE INFOCOM, IEEE VR, IEEE VAST, IEEE VIS, ACM CHI, IEEE ICRA, IEEE ICCV, IEEE ICML, IEEE IJCAI等。这些会议通常由国际计算机科学界的著名学者组成的委员会来审核和评审文章，同时吸引了全球数千名学者、科学家和工程师前来参加。

RNN最早的提出可以追溯到20世纪80年代，当时的学者Elman提出了最早的RNN网络模型，但由于训练困难和梯度消失问题等缺陷，长期以来RNN并没有得到普遍应用。直到近年来，随着神经网络的发展和技术革新，出现了包括LSTM、GRU等多种优化的RNN变体，使得RNN在自然语言处理、语音识别、序列生成等领域中逐渐成为主流的模型之一。

RNN（Recurrent Neural Network，循环神经网络）是一种用于处理序列数据的神经网络模型。与传统的前馈神经网络不同，RNN 具有循环连接，使得信息可以在网络中循环传递。由于能够对序列数据进行处理，RNN 被广泛应用于自然语言处理、语音识别、机器翻译等领域。