黃權(quán)，阮建高

（工業(yè)和信息化部電子第五研究所，廣東廣州 510610）

在近場(chǎng)掃描電磁圖像的處理[1-3]中，需要對(duì)電磁圖像進(jìn)行變換，如空域變換、頻域變換，近場(chǎng)掃描電磁圖像通過(guò)電磁場(chǎng)探頭探測(cè)得到[4-6]。傳統(tǒng)的快速傅里葉變換能夠?qū)﹄姶艌D像進(jìn)行快速運(yùn)算后得到結(jié)果，但基于近場(chǎng)掃描電磁圖像所反映的電磁輻射圖案的多樣性，希望能夠設(shè)計(jì)一種算法去學(xué)習(xí)這些圖案的特征，從而為電磁圖案的后續(xù)分析如聚類等提供有效的圖案特征，神經(jīng)網(wǎng)絡(luò)是最適合學(xué)習(xí)圖案特征的框架，在研究的過(guò)程中發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)不僅可以有效地學(xué)習(xí)到電磁圖案的特征，還能夠?qū)W習(xí)到離散傅里葉矩陣。

目前，深度學(xué)習(xí)的絕大多數(shù)構(gòu)建模塊、技術(shù)和架構(gòu)都基于實(shí)數(shù)的運(yùn)算和表征。但是，近來(lái)在循環(huán)神經(jīng)網(wǎng)絡(luò)和其他更古老的基礎(chǔ)理論上的分析表明復(fù)數(shù)可以有更加豐富的表征能力，也可以促進(jìn)對(duì)噪聲魯棒的記憶檢索機(jī)制[7-9]。盡管它們?cè)趲?lái)全新的神經(jīng)架構(gòu)上有引人注目的性質(zhì)和潛力，但由于缺少設(shè)計(jì)這種模型所需的構(gòu)建模塊，復(fù)數(shù)值的深度神經(jīng)網(wǎng)絡(luò)一直處于邊緣化的狀態(tài)[10]。隨著計(jì)算機(jī)硬件的發(fā)展，神經(jīng)網(wǎng)絡(luò)的應(yīng)用越來(lái)越廣泛，在預(yù)測(cè)、分類方面取得了很大的應(yīng)用[11]，比如推薦系統(tǒng)、人臉識(shí)別等。

Reichert 等人從生物學(xué)的角度出發(fā)，將復(fù)數(shù)神經(jīng)元用在深度神經(jīng)網(wǎng)絡(luò)中，這些使用復(fù)數(shù)表示的神經(jīng)元具有更加豐富的表達(dá)能力，復(fù)數(shù)值的公式允許人們用神經(jīng)元的放電率和活動(dòng)的相對(duì)時(shí)間來(lái)表示神經(jīng)元的輸出。該復(fù)數(shù)神經(jīng)元的振幅代表放電率，而其相位則代表活動(dòng)的相對(duì)時(shí)間[12]。復(fù)數(shù)中的相位信息在信號(hào)處理時(shí)也是十分重要的，在語(yǔ)音信號(hào)中，相位信息影響著語(yǔ)音信號(hào)的可理解性[8]。Oppenheim 和Lim 還表明，在圖像的相位中存在的信息量足以恢復(fù)以其大小編碼的大部分信息。事實(shí)上，相位在編碼形狀、邊緣和方向時(shí)提供了對(duì)象的詳細(xì)描述[13]。

最近，Rippel等人將傅里葉譜表示用于卷積神經(jīng)網(wǎng)絡(luò)，提供一種在頻譜域中參數(shù)化卷積核權(quán)值的技術(shù)，并在信號(hào)的頻譜表示上執(zhí)行池化[14]，然而，作者在論文中回避了執(zhí)行復(fù)數(shù)值卷積，而是從空間域中的實(shí)值進(jìn)行核卷積構(gòu)建。為了確保譜域中的復(fù)數(shù)值參數(shù)化映射到實(shí)數(shù)值核函數(shù)，作者對(duì)譜域權(quán)重施加了共軛對(duì)稱約束，這樣當(dāng)對(duì)它們應(yīng)用傅里葉逆變換時(shí)，它只產(chǎn)生實(shí)數(shù)值的核函數(shù)[14]。

離散傅里葉變換作為一種有效的信號(hào)處理工具得到了廣泛的應(yīng)用，經(jīng)典的快速傅里葉變換[15]更是將這個(gè)算法的應(yīng)用發(fā)揮到了極致，但是快速傅里葉變換涉及到復(fù)數(shù)運(yùn)算，而目前神經(jīng)網(wǎng)絡(luò)在復(fù)數(shù)運(yùn)算方面基本上是不支持的，為了將神經(jīng)網(wǎng)絡(luò)應(yīng)用到信號(hào)處理中，一方面設(shè)計(jì)可以進(jìn)行復(fù)數(shù)運(yùn)算的神經(jīng)網(wǎng)絡(luò)，另一方面是通過(guò)某種變換和設(shè)計(jì)，將復(fù)數(shù)進(jìn)行拆解，使之能夠按照實(shí)數(shù)進(jìn)行計(jì)算，卻不丟失原來(lái)復(fù)數(shù)運(yùn)算包含的信息。

該文研究的離散傅里葉矩陣構(gòu)建方法，完美地避開(kāi)了復(fù)數(shù)運(yùn)算，同時(shí)保留了和原始矩陣同樣的信息量，并基于神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)和重構(gòu)離散傅里葉矩陣，該矩陣可用于近場(chǎng)掃描之后的數(shù)據(jù)處理中[17]。

1 研究?jī)?nèi)容

1.1 離散傅里葉矩陣設(shè)計(jì)的數(shù)學(xué)原理

對(duì)于一個(gè)長(zhǎng)度為N的信號(hào)序列x=[x0,x1,…,xN-1]，它的離散傅里葉變換公式為:

式（1）可以寫成點(diǎn)積的形式：

式（2）寫成矩陣形式：

式（3）寫成矩陣形式：

其中，F(xiàn)∈RN×N,(F)kn=。式（2）、（3）都包含復(fù)數(shù)，復(fù)數(shù)運(yùn)算是比較復(fù)雜和耗時(shí)的，因此引入歐拉公式:

對(duì)此，令：

代入式（5）可得：

將式（7）的實(shí)部和虛部分開(kāi)，然后排放在一個(gè)矩陣的上半部分和下半部分：

令WFourier表示式（8）右邊的復(fù)指數(shù)值構(gòu)成的矩陣，x表示[x0,x1,…,xN-1]T，則式（8）可以簡(jiǎn)寫為：

y和包含的信息是完全一樣的，但是式（9）不包含復(fù)數(shù)計(jì)算，因?yàn)橐霘W拉公式將其實(shí)部和虛部放在矩陣的上半部分和下半部分，所以的長(zhǎng)度是y長(zhǎng)度的2倍。

1.2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

1.2.1 神經(jīng)網(wǎng)絡(luò)架構(gòu)

如圖1 所示，所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)共有兩層，輸入層因?yàn)橛糜谠紨?shù)據(jù)輸入，通常只是進(jìn)行了展平處理，對(duì)數(shù)據(jù)沒(méi)有影響，所以不作為層計(jì)數(shù)，隱藏層的神經(jīng)元數(shù)量為輸入層神經(jīng)元數(shù)量的2 倍，輸出層只有一個(gè)神經(jīng)元，用于計(jì)算損失。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

1.2.2 訓(xùn)練過(guò)程

如圖2 所示是神經(jīng)網(wǎng)絡(luò)重構(gòu)離散傅里葉矩陣的原理框圖，重構(gòu)步驟如下：

圖2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的原理框圖

1）隨機(jī)初始化離散傅里葉矩陣WFourier，該矩陣是神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)的參數(shù)；

2）生成隨機(jī)樣本輸入x，與第1）步的參數(shù)矩陣進(jìn)行線性相乘；

3）根據(jù)式（3）取出對(duì)應(yīng)的實(shí)部和虛部，進(jìn)行信號(hào)的重構(gòu)，重構(gòu)的方法如下：

已知一個(gè)信號(hào)的離散傅里葉變換的系數(shù)y=a+jb，其中y是一個(gè)復(fù)數(shù)，根據(jù)傅里葉分析理論，則對(duì)應(yīng)的信號(hào)部分x為：

代入y=a+jb，展開(kāi)可得：

其中，a和b對(duì)應(yīng)第3）步中實(shí)部和虛部。

5）式（12）的損失函數(shù)（LossFunction）作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度的衡量標(biāo)準(zhǔn)，并計(jì)算它的梯度后，進(jìn)行參數(shù)更新，重復(fù)從第（1）步-第（4）步繼續(xù)訓(xùn)練，直到訓(xùn)練達(dá)到指定的次數(shù)或者符合誤差要求。

2 實(shí)驗(yàn)結(jié)果與分析

文中的實(shí)驗(yàn)環(huán)境為搭載Intel(R) Core(TM) i5-8265U CPU@1.60 GHz 1.80，雙核1.60 GHz 主頻處理器，內(nèi)存8 GB的計(jì)算機(jī)，實(shí)驗(yàn)在64位Windows 10操作系統(tǒng)，使用神經(jīng)網(wǎng)絡(luò)框架pytorch 1.8.1+cpu 版及numpy1.16.5 條件下進(jìn)行實(shí)現(xiàn)。

如圖3 所示是理論計(jì)算的離散傅里葉矩陣與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的離散傅里葉矩陣的對(duì)比，其中神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為10 000次，從圖形上可以直觀地看出，神經(jīng)網(wǎng)絡(luò)基本上學(xué)習(xí)到了離散傅里葉矩陣的特征。

圖3 兩種方法得到的離散傅里葉矩陣的對(duì)比

如圖4和圖5所示，可以看出重構(gòu)信號(hào)的損失值和RMSE在2 000次迭代以后基本上不變，即通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的離散傅里葉矩陣已經(jīng)能夠很好地還原原始信號(hào)，同時(shí)也說(shuō)明在精度上，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的離散傅里葉矩陣基本上不再隨著迭代次數(shù)的增加而有所提升。

圖4 重構(gòu)信號(hào)的損失值隨迭代的變化

圖5 離散傅里葉矩陣均方差隨迭代的變化

圖6 是原始的信號(hào)，圖7 是使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的離散傅里葉矩陣重構(gòu)的信號(hào)，可以看出，兩種信號(hào)幾乎完全相同，這是因?yàn)樵谏窠?jīng)網(wǎng)絡(luò)訓(xùn)練2 000 次之后，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的離散傅里葉矩陣基本上與理論計(jì)算的離散傅里葉矩陣完全相同，這可以從圖4和圖5 得到驗(yàn)證。文中的實(shí)驗(yàn)數(shù)據(jù)沒(méi)有加入噪聲，因而重構(gòu)信號(hào)的誤差取決于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到離散傅里葉矩陣的誤差，從圖5 中可以看出，這個(gè)誤差在迭代2 000 次之后基本上再無(wú)變化，假如數(shù)據(jù)包含噪聲，那么這種情況可能是神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)過(guò)擬合了，因?yàn)閺膱D3 來(lái)看神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的離散傅里葉矩陣和理論計(jì)算的離散傅里葉矩陣是有差別的，而迭代次數(shù)在2 000 次之后對(duì)這種差別卻無(wú)明顯的改善，說(shuō)明神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)分布上可以完美地學(xué)習(xí)到離散傅里葉矩陣，但是在數(shù)值精度上不能完美地接近。通過(guò)實(shí)驗(yàn)得到迭代次數(shù)與模型損失關(guān)系如表1 所示。

圖6 原始信號(hào)

圖7 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的離散傅里葉矩陣重構(gòu)的信號(hào)

表1 迭代次數(shù)與模型損失

通過(guò)表1可以看出，迭代次數(shù)在4 000 次以后，損失值基本上接近于0。

3 結(jié)論

該文提出了一種將離散傅里葉變換避開(kāi)矩陣運(yùn)算的復(fù)數(shù)操作方法，并使用神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)該矩陣?？梢钥闯錾窠?jīng)網(wǎng)絡(luò)很完美地學(xué)習(xí)到了該矩陣，且用該矩陣重構(gòu)的信號(hào)與原始信號(hào)基本相似。其根本原因是該文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)是一種線性變換，而離散傅里葉變換也是一種線性變換。那么在使用隨機(jī)梯度下降的迭代中，只要迭代次數(shù)足夠，就可以完美地學(xué)習(xí)這種線性變換。后續(xù)可研究的工作是用神經(jīng)網(wǎng)絡(luò)研究二維離散傅里葉變換，同時(shí)結(jié)合圖像降噪的理論研究近場(chǎng)掃描電磁數(shù)據(jù)的降噪設(shè)計(jì)。