讲座题目：门限神经网络及自适应信号处理应用 主讲人：张晓平 教授 主持人：胡孟晗 开始时间：2020-07-30 10:30:00 讲座地址🧔🏼：腾讯会议 ID：445 500 884 主办单位：通信与电子工程学院
报告人简介： 张晓平教授是加拿大工程院院士。他分别于1992和1996年从清华大学电子工程系获学士和博士学位。他从芝加哥大学布斯商学院获得金融和经济学专业工商管理硕士学位（MBA）并获优秀毕业生荣誉🕟。 张晓平院士现为加拿大Ryerson大学电气⚓️、计算机和生物工程系正教授(终身教职),通信和信号处理及应用实验室主任，并兼任Ted Rogers管理学院金融系教授。曾任系研究生和科研主管。2015和2017年任麻省理工学院电子学实验室访问科学家。他创建了金融大数据搜索和分析引擎公司EidoSerach并现任CEO。张晓平院士致力于信号处理和大数据的理论和应用研究开发，主要从事统计模型、信号处理、机器学习和人工智能↕️、物联网和电子信息系统、生物信息及金融经济模型和大数据等方面的研发。张晓平院士是其研究领域的国际知名专家并曾在华尔街和硅谷工业界任职。曾任麻省理工学院和哈佛大学访问科学家。发表国际顶级期刊和会议学术论文200余篇👩🏻⚕️。拥有多项美国专利🫄🏼⛹🏽♂️，其中大部分已转化进入商业产品。张晓平教授现任《IEEE信号处理汇刊》和《IEEE图像处理汇刊》的高级副主编(Senior Area Editor)🎸，曾任《IEEE信号处理汇刊》、《IEEE多媒体处理汇刊》🎷、《IEEE图像处理汇刊》、《IEEE电路与系统视频技术汇刊》📼、《IEEE信号处理快报》等国际知名学术期刊的副主编。他现任IEEE信号处理学会图像视频及多维信号处理技术委员会副主席🌴，是国际信号处理最大旗舰年会IEEE ICASSP会议2021年大会共同主席（General Co-Chair），2017和2019年IEEE全球信号和信息处理年会（GlobalSIP）金融和商业信息处理大会主席，2015 IEEE多媒体信号处理年会（MMSP2015）主席。现任IEEE国际多媒体大会（ICME）指导委员会（Steering Committee）委员。张教授曾在多个知名国际会议如ACM多媒体年会ACMMM2011, IEEE电路与系统年会ISCAS2013和ISCAS2019, IEEE图像处理年会ICIP2013, IEEE信号处理年会ICASSP2014，国际神经网络联合大会IJCNN2017应邀作教程报告（Tutorial）。2019年他被遴选为IEEE信号处理学会杰出讲座学者，任期从2020年1月到2021年12月。2020年获Ryerson大学学术科研最高奖–Sarwan Sahota Ryerson杰出学者奖。
报告内容： In this talk, a system framework of nonlinear thresholding for adaptive signal processing, namely thresholding neural network (TNN), is presented. Several types of thresholding functions are created to serve as activation functions. Unlike the standard thresholding functions, the new thresholding functions are infinitely differentiable. By using the new thresholding functions, some gradient-based learning algorithms become possible or more effective. General optimal performances of TNNs are analyzed. Gradient-based adaptive learning algorithms are presented to seek the optimal solution for noise reduction. The algorithms include supervised and unsupervised batch learning as well as supervised and unsupervised stochastic learning. It is indicated that the TNN with the stochastic learning algorithms can be used as a novel nonlinear adaptive filter. Numerical results show that the TNN is very effective in finding the optimal solutions of thresholding methods in an MSE sense and usually outperforms other noise reduction methods. Especially, it is shown that the TNN based nonlinear adaptive filtering outperforms the conventional linear adaptive filtering in both optimal solution and learning performance. |
