许多问题在信号处理和机器学习领域是相似或相关的。计算智能和机器学习主处理统计数据处理,而统计信号处理是利用类似的方法和算法的区域统计数据处理。此外,自适应学习可分为机器智能的第四代,因为它结合了前几代的原则基于深度学习的新一代机器智能。

现代技术依赖研究领域的信号处理和人工智能,和一些方法和算法开发,目的是解决各种各样的问题:语言和说话人识别,识别和分类的信号(图像、语音、音频和生物医学信号),识别情绪,信号质量增强(过滤和其他算法)、去噪和检测信号的噪声,在信号模式识别(语音、图像、心电图、脑电图和其他生物医学信号),从生物医学信号,自动诊断检测方法和算法在无线传感器节点,网络,无线通讯和预见性维护以及业务预测。

信号和数据处理的主要范围实时(或有限的时间)是减少的数据量,同时提供高质量的表示这样的信号降低,也就是说,数据源。这一目标的实现是由统计数据处理和统计信号处理方法和处理信号和数据简化算法。最有效的方法和算法结合适应。学习矢量量化(LVQ)以及其他方法可以被认为是一个好的选择深度学习。

这个特殊问题的目标是不仅给概述的应用学习方法和信号处理算法,而且还凸显了最近的事态发展在这两个领域的独立和联合。

我们也鼓励作者讨论简单学习技术是基于智能标量亦然(具有增强鲁棒性和自适应特性),以及提交文章的解决方案,代表高级信号处理应用程序的交叉和学习方法和算法。这个特殊的问题欢迎原始信号处理研究和评论文章,机器学习,和计算智能。

潜在的主题包括但不限于以下:

• 信号压缩和自适应机器学习
• 深层神经网络、卷积神经网络和深层的信念网络
• 机器学习参数估计在信号和数据密度模型
• 核密度估计和内核自适应估计密度函数
• 语音识别/合成和识别
• 情感语音信号识别和人脸识别
• 线性和非线性预测方法
• 估计的动态范围的振幅,意思是,使用经典的和机器学习方法和方差
• 图像信号处理和深度学习算法
• 机器学习的自适应估计和信号分类
• offilter系数方法适应和统计参数的自适应估计的信号和数据处理
• 量化深陷神经网络
• 量化在机器学习算法和信号处理方法
• 信号预处理和数据简化的方法
• 机器学习算法在生物医学信号处理