Вейвлет-методы эффективны для получения представлений данных или функций, которые можно использовать при машинном обучении и глубоких процессах обучения.
Вейвлет-рассеяние позволяет создавать представления данных с низкой дисперсией, которые инвариантны трансляциям в определенном масштабе и являются непрерывными по отношению к деформациям. Вейвлет-рассеяние требует мало пользовательских параметров для получения компактных представлений данных. Эти представления можно использовать совместно с алгоритмами машинного обучения для классификации и регрессии.
Можно использовать непрерывное вейвлет-преобразование (CWT) для генерации 2-D частотно-временных карт данных временных рядов, которые можно использовать в качестве входных изображений с глубокими сверточными нейронными сетями (CNN). Генерация частотно-временных представлений для использования в глубоких CNN является мощным подходом для классификации сигналов. Способность CWT одновременно фиксировать стационарное и переходное поведение в данных временных рядов делает представление временной частоты на основе вейвлета особенно надежным, когда оно спарено с глубокими CNN.
Вейвлет-методы могут также использоваться для генерации разреженных векторов признаков для приложений статистического обучения. Свойство разреженности вейвлет-представлений позволяет достичь значительного уменьшения размерности без ущерба для дискриминируемости.
waveletScattering | Вейвлет-временное рассеяние |
waveletScattering2 | Вейвлетное рассеяние изображения |
cwtfilterbank | Банк фильтров непрерывного вейвлет-преобразования |
Извлекайте элементы с низкой дисперсией из действительных временных рядов и данных изображения.
Шкала инвариантности вейвлет-рассеяния и избыточная выборка
Этот пример показывает, как изменение шкалы инвариантности и коэффициента избыточной дискретизации влияет на выходной сигнал преобразования вейвлет-рассеяния.
Предварительно обученные нейронные сети (набор инструментов для глубокого обучения)
Узнайте, как загрузить и использовать предварительно обученные сверточные нейронные сети для классификации, передачи обучения и извлечения функций.
Обучение векторных машин поддержки с помощью приложения Classification Learner (инструментарий для статистики и машинного обучения)
Создание и сравнение классификаторов вспомогательных векторных машин (SVM) и экспорт обученных моделей для прогнозирования новых данных.
