如果处理涉及线性变换，则用于数据处理的机器学习

我有多个需要处理的 2D 输入数据集 S(x,y)，但理想的处理参数每周都会发生变化。现在我想知道一旦发生变化，我是否可以用 ML 找出理想的处理参数。每次发生这种变化时，我都会有大量的训练数据，而且我对理想的处理输出 O(x,y) 非常了解，可以将其用于成本函数。

现在的问题是，理想的处理可以通过一系列的线性操作来实现。示例：

理想的处理输出 O(x,y) = IFFT{FFT{A(x,y)).*S(x,y)}.*H(X,y)}

请注意，在给定的一周内，我的所有数据集 S 的 A 和 H 都是相同的。因此，即使输入 S(x,y) 发生变化，理想输出的权重 A 和 H 也将保持不变。

这可以用一个输入层来实现，它以输入 S(x,y) 为输入，然后第一个隐藏层的权重代表 A(x,y)，下一层的权重执行 FFT，下一层的权重表示 H(X,y)，输出层的权重执行 IFFT。

我现在看到的问题是，显然 ML 需要非线性激活函数才能使反向传播工作。这样对吗？如果是这样，那么这将意味着我不能使用 ML 来找到我理想的 A(x,y) 和 H(X,y) ？我还有其他选择吗？