Машинное обучение и глубокое обучение

Рассеивание вейвлета, основанные на вейвлете методы для машинного обучения и глубокого обучения

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

waveletScatteringВремя вейвлета, рассеиваясь
waveletScattering2Рассеивание вейвлета изображений
cwtfilterbankНепрерывный банк фильтра преобразований вейвлета

Темы

Рассеивание 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 для классификации, передачи обучения и извлечения 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.

Рекомендуемые примеры

Wavelet Time Scattering for ECG Signal Classification

Время вейвлета, рассеиваясь для классификации сигналов ECG

Классифицируйте человеческую электрокардиограмму (ECG) сигналы с помощью времени вейвлета, рассеявшись и классификатора машины опорных векторов (SVM). В рассеивании вейвлета данные распространены через серию вейвлета, преобразовывает, нелинейность и усреднение, чтобы произвести представления низкого отклонения временных рядов. Время вейвлета, рассеивая выражения сигнализирует, что представления, нечувствительные к, переключают входной сигнал на нижний регистр, не жертвуя классом discriminability. У вас должны быть Wavelet Toolbox™ и Statistics and Machine Learning Toolbox™, чтобы запустить этот пример. Данные, используемые в этом примере, общедоступны от PhysioNet. Можно найти, что подход глубокого обучения к этой проблеме классификации в этом примере Классифицирует Временные ряды Используя Анализ Вейвлета и Глубокое обучение и подход машинного обучения в этой Классификации Сигналов в качестве примера, использующей Основанные на вейвлете Функции и Машины опорных векторов.

Для просмотра документации необходимо авторизоваться на сайте