Методов Wavelet эффективны для получения представлений или функций данных, которые можно использовать в машинном обучении и рабочих процессах глубокого обучения.
Вейвлет позволяет вам создавать представления данных с малыми дисперсиями, которые инвариантны перемещениям в заданной вами шкале и непрерывны относительно деформаций. Для вейвлет требуется немного пользовательских параметров, чтобы получить компактные представления данных. Можно использовать эти представления в сочетании с алгоритмами машинного обучения для классификации и регрессии.
Можно использовать непрерывное преобразование вейвлета (CWT), чтобы сгенерировать 2-D частотно-временные карты данных временных рядов, которые могут использоваться в качестве входов изображений с глубокими сверточными нейронными сетями (CNN). Генерация представлений частота-время для использования в глубоких CNNs является мощным подходом к классификации сигналов. Способность CWT одновременно захватывать установившееся и переходное поведение в данных временных рядов делает основанное на вейвлете представление частотной частоты особенно устойчивым в паре с глубокими CNN.
Методы вейвлет могут также использоваться, чтобы сгенерировать разреженные векторы функций для статистических приложений обучения. Свойство разреженности вейвлет позволяет вам достичь значительного уменьшения размерности, не жертвуя различимостью.
waveletScattering | Вейвлет рассеяния |
waveletScattering2 | Вейвлет изображений |
cwtfilterbank | Непрерывный банк фильтров преобразования вейвлета |
Выведите низкие дисперсионные функции из реальных временных рядов и данных изображения.
Инвариационная шкала вейвлет-рассеяния и избыточная дискретизация
Этот пример показывает, как изменение инвариационной шкалы и коэффициента избыточной дискретизации влияет на выход преобразования вейвлет.
Предварительно обученные глубокие нейронные сети (Deep Learning Toolbox)
Узнать, как загрузить и использовать предварительно обученные сверточные нейронные сети для классификации, передачи обучения и редукции данных.
Обучите машины опорных векторов с помощью приложения Classification Learner (Statistics and Machine Learning Toolbox)
Создайте и сравните классификаторы машин опорных векторов (SVM) и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
