为什么很少拿神经网络来直接做滤波器呢？ 第1页

1. 为什么很少看到拿神经网络作为低通或高通滤波器对传感器的时序信号滤波？

其实，天下算法一家亲。从另一个角度看，不管是IIR还是FIR滤波器都可以看成神经网络。

君不见，FIR可以等价成没有隐藏层，只有输入层和单个节点输出层的神经网络吗？IIR则是从输出加了一个反馈到输入层。而它们都是0偏置，没有激励函数（或者说激励函数为y=x）。

不同点恐怕只有训练方式了，FIR/IIR是根据前人的理论推理“训练”出来，具有可解释性，而这不正是神经网络的不足之处吗？既然FIR/IIR已经存在一套成熟的理论去分析和解释，何必冒风险和推高计算量用神经网络呢？神经网络这种通用算法，恐怕更适合去做现存的各种疑难杂症以及无法用理论推理的难题。

2. 至于“有些信号含色噪声和其他乱七八糟的噪声，挺难滤掉的呀”

这种就是属于疑难杂症了，的确可以考虑用神经网络。但是你既然都搬出神经网络大法了，干嘛只用于滤波？针对你的目的，你其实可以直接用神经网络一步到位。比如你要通过ECG信号，识别病人是否患有什么心血管病，那你就直接用个两分类的神经网络，1表示患病，0表示健康。然后将所有样本喂进去训练和测试即可啦。

但实际应用中，考虑到计算量，你可能做不到一步到位。想想当信号采样率为1000时，你的算法却在芯片执行，再考虑芯片那珍贵的内存和计算量，用神经网络从原始数据提取信息简直不现实！这种情况下，你可能需要先用传统滤波尽量滤掉噪音部分，然后从信号中提取出简单的特征，将这些特征作为输入去训练神经网络，这样计算量将大大降低。当然，你也可以尝试降采样再喂信号进神经网络一步到位，具体得看实际应用啦。

很多时候是应用场景的限制。

更直白点说，功耗。

如果没有功耗的限制，神级网络都能做。

举个例子。华为的基站芯片，天罡。一个ASIC芯片，里面所有算法全部是定制化的。

针对实际物理信道和射频器件的损伤，全部做的针对性补偿和定制化的算法。

归根结底，里面都是些FIR、FFT。

其中大部分算法甚至是解析公式推出来的最优解。

就这样，功耗都打不住。

如果用神经网络来做。功耗得多大？

这种解析公式很多都能写出来的系统，用神经网络训练出来也是逼近那个解析公式。我都知道公式了，为什么要用神经网络？

另外，个人认为神经网络还是更适应于那些慢变或者不变的系统。比如人脸识别，训练好了拿出来用。而对那些快变的系统，神经网络是不太合适的。

举个例子，一个简单的自适应滤波器。用神经网络来实现，肯定是得不偿失的。

基于神经网络的滤波就是mask prediction。已经比传统的滤波器强大太多。

在语音领域，可以预测一个噪音的mask，直接把噪音给滤掉。一堆人说话，可以预测说话人的mask，单独把说话人的声音提取出来。

在图像领域，可以去雾去霾去雨，去阴影，甚至还可以把水里拍的照片变成陆上拍的样子。

这已经比只能在频域上利用器件的线性或者非线性组成一二阶系统，搞点事情的低通到高通带通滤波器强大太多。