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 по 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 |
cwtfilterbank | Непрерывный банк фильтра преобразований вейвлета |
Выведите функции низкого отклонения из временных рядов с действительным знаком и данных изображения.
Вейвлет, рассеивающий шкалу инвариантности и сверхдискретизацию
В этом примере показано, как изменение шкалы инвариантности и сверхдискретизация фактора влияют на выход рассеивания вейвлета, преобразовывают.
Предварительно обученные глубокие нейронные сети (Deep Learning Toolbox)
Узнать, как загружать и использовать предварительно обученные сверточные нейронные сети в классификации, передаче обучения и извлечении признаков.
Обучите машины опорных векторов Используя приложение Classification Learner (Statistics and Machine Learning Toolbox)
Создайте и сравните классификаторы машины опорных векторов (SVM) и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
