Рассеивание вейвлета позволяет вам произвести представления данных низкого отклонения, которые минимизируют различия в классе при сохранении discriminability через классы. Рассеивание вейвлета требует, чтобы немного заданных пользователями параметров произвели компактные представления данных, которые устойчивы против временных сдвигов на шкале, которую вы задаете. 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 с 2D сверточными сетями. 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.
С лицензией Signal Processing Toolbox™ можно включать кратковременное преобразование Фурье в машинное обучение и рабочие процессы глубокого обучения. Можно также использовать Signal Labeler (Signal Processing Toolbox), чтобы пометить сигналы для анализа или для использования в машинном обучении и применения глубокого обучения. Signal Labeler сохраняет данные как labeledSignalSet объекты. С лицензией Audio Toolbox™ можно Импортировать и Данные о Файле проигрывания аудио в Signal Labeler (Signal Processing Toolbox). Можно также использовать melSpectrogram (Audio Toolbox) для извлечения признаков.
| Signal Labeler | Пометьте атрибуты сигнала, области и интересные места |
Выведите функции низкого отклонения из временных рядов с действительным знаком и данных изображения.
Вейвлет, рассеивающий шкалу инвариантности и сверхдискретизацию
Узнать, как изменение шкалы инвариантности и сверхдискретизация фактора влияют на выход рассеивания вейвлета, преобразовывают.
