Машинное обучение и глубокое обучение
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.
Функции
waveletScattering | Время вейвлета, рассеиваясь |
waveletScattering2 | Рассеивание вейвлета изображений |
cwtfilterbank | Непрерывный банк фильтра преобразований вейвлета |
Темы
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.
