CLSTM复数长短记忆网络入门指南：从理论到实践

1次阅读

共计 1846 个字符，预计需要花费 5 分钟才能阅读完成。

复数长短记忆网络（Complex-valued Long Short-Term Memory, CLSTM）是传统 LSTM 在复数域上的扩展。与实数 LSTM 相比，CLSTM 能够直接处理复数数据，避免了将复数拆分为实部和虚部分别处理的繁琐过程。

记忆单元结构 ：CLSTM 保留了输入门、遗忘门、输出门的基本结构，但所有权重矩阵和状态变量均为复数
复数运算 ：采用复数乘法代替实数乘法，需遵循复数运算规则（如：(a+bi)*(c+di)=(ac-bd)+(ad+bc)i）
非线性激活 ：使用复数激活函数（如 modReLU：ReLU(|z|+b)*z/|z|）保持相位信息

CLSTM 特别适合处理具有复数特性的时序数据：

无线通信 ：IQ 信号处理、信道均衡
雷达信号 ：多普勒频移分析、目标检测
医学成像 ：MRI 信号重建
声学处理 ：声波干涉分析

以下示例展示如何构建基础的 CLSTM 单元：

import tensorflow as tf
from tensorflow.keras.layers import Layer
import numpy as np

class ComplexDense(Layer):
    def __init__(self, units):
        super().__init__()
        self.units = units

    def build(self, input_shape):
        # 实部和虚部分别初始化
        self.wr = self.add_weight(shape=(input_shape[-1], self.units),
                                 initializer='glorot_uniform')
        self.wi = self.add_weight(shape=(input_shape[-1], self.units),
                                 initializer='glorot_uniform')
        self.br = self.add_weight(shape=(self.units,), 
                                 initializer='zeros')
        self.bi = self.add_weight(shape=(self.units,),
                                 initializer='zeros')

    def call(self, inputs):
        # 复数矩阵乘法实现
        real = tf.matmul(tf.math.real(inputs), self.wr) - \
               tf.matmul(tf.math.imag(inputs), self.wi) + self.br
        imag = tf.matmul(tf.math.real(inputs), self.wi) + \
               tf.matmul(tf.math.imag(inputs), self.wr) + self.bi
        return tf.complex(real, imag)

class CLSTMCell(Layer):
    def __init__(self, units):
        super().__init__()
        self.units = units
        # 初始化各门控的复数全连接层
        self.dense_i = ComplexDense(units)
        self.dense_f = ComplexDense(units)
        self.dense_c = ComplexDense(units)
        self.dense_o = ComplexDense(units)

    # 完整实现代码详见配套 GitHub 仓库...