2.6 卷积 2.7 卷积的性质

2.1 LTI连续系统的响应 一、微分方程的经典解 二、关于0-和0+初始值 三、零输入响应和零状态响应 2.2 冲激响应和阶跃响应 一、冲激响应 二、阶跃响应 2.3 卷积积分 一、信号时域分解与卷积 二、卷积的图解 2.4 卷积积分的性质 一、卷积代数 二、奇异函数的卷积特性 三、卷积的微积分性质 四、卷积的时移特性

2.1 LTI连续系统的响应 一、微分方程的经典解 二、关于0-和0+初始值 三、零输入响应和零状态响应 2.2 冲激响应和阶跃响应 一、冲激响应 二、阶跃响应 2.3 卷积积分 一、信号时域分解与卷积 二、卷积的图解 2.4 卷积积分的性质 一、卷积代数 二、奇异函数的卷积特性 三、卷积的微积分性质 四、卷积的时移特性

2.1 LTI连续系统的响应 一、微分方程的经典解 二、关于0-和0+初始值 三、零输入响应和零状态响应 2.2 冲激响应和阶跃响应 一、冲激响应 二、阶跃响应 2.3 卷积积分 一、信号时域分解与卷积 二、卷积的图解 2.4 卷积积分的性质 一、卷积代数 二、奇异函数的卷积特性 三、卷积的微积分性质 四、卷积的时移特性

2.1 LTI连续系统的响应 一、微分方程的经典解 二、关于0-和0+初始值 三、零输入响应和零状态响应 2.2 冲激响应和阶跃响应 一、冲激响应 二、阶跃响应 2.3 卷积积分 一、信号时域分解与卷积 二、卷积的图解 2.4 卷积积分的性质 一、卷积代数 二、奇异函数的卷积特性 三、卷积的微积分性质 四、卷积的时移特性

在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强

第2章连续信号与系统的时域分析 2.1冲激函数及其性质 2.2系统的冲激响应 2.3信号的时域分解和卷积积分 2.4卷积的图解和卷积积分限的确定 2.5卷积积分的性质 2.6卷积的数值计算

2.1 冲激函数及其性质 2.2 系统的冲激响应 2.3 信号的时域分解和卷积积分 2.4 卷积的图解和卷积积分限的确定 2.5 卷积积分的性质 2.6 卷积的数值计算

2.1 冲激函数及其性质 2.2 系统的冲激响应 2.3 信号的时域分解和卷积积分 2.4 卷积的图解和卷积积分限的确定 2.5 卷积积分的性质 2.6 卷积的数值计算

2.1 冲激函数及其性质 2.2 系统的冲激响应 2.3 信号的时域分解和卷积积分 2.4 卷积的图解和卷积积分限的确定 2.5 卷积积分的性质 2.6 卷积的数值计算