Методы вейвлета являются эффективными для получения представлений данных или функций, которые можно использовать в рабочих процессах глубокого обучения и машинном обучении.
Рассеивание вейвлета позволяет вам произвести представления данных низкого отклонения, которые являются инвариантными к переводам в шкале, которую вы задаете и непрерывны относительно деформаций. Рассеивание вейвлета требует, чтобы немного заданных пользователями параметров произвели компактные представления данных. Можно использовать эти представления в сочетании с алгоритмами машинного обучения для классификации и регрессии.
Можно использовать непрерывный вейвлет преобразовывает (CWT), чтобы сгенерировать 2D карты частоты времени данных временных рядов, которые могут использоваться в качестве входных параметров изображений с глубокими сверточными нейронными сетями (CNN). Генерация представлений частоты времени для использования в глубоком CNNs является мощным подходом для классификации сигнала. Способность CWT одновременно получить установившееся и переходное поведение в данных временных рядов делает основанное на вейвлете представление частоты времени особенно устойчивым, когда соединено с глубоким CNNs.
Методы вейвлета могут также использоваться, чтобы сгенерировать разреженные характеристические векторы для статистических приложений изучения. Свойство разреженности представлений вейвлета позволяет вам достигнуть значительного сокращения размерности, не жертвуя discriminability.
waveletScattering | Время вейвлета, рассеиваясь |
waveletScattering2 | Рассеивание вейвлета изображений |
Выведите функции низкого отклонения от временных рядов с действительным знаком и данных изображения.
Предварительно обученные глубокие нейронные сети (Deep Learning Toolbox)
Узнать, как загружать и использовать предварительно обученные сверточные нейронные сети для классификации, изучения передачи и выделения признаков.
Обучите машины вектора поддержки Используя приложение Classification Learner (Statistics and Machine Learning Toolbox)
Создайте и сравните классификаторы машины вектора поддержки (SVM) и экспортируйте обученные модели, чтобы сделать прогнозы для новых данных.