从系列中:理解小波
科蒂·德夫莱克,马修斯
小波散射网络有助于从信号和图像中获取低方差特征,用于机器学习和深度学习应用。散射网络可以帮助您自动获得使类内差异最小化的功能,同时保持类间的可区分性。散射网络和深度学习框架之间的一个重要区别是,滤波器是预先定义的,而不是像深度卷积网络那样被学习。由于学习过滤器不需要散射变换,因此通常可以在缺少训练数据的情况下成功使用散射。您还可以可视化和解释由小波散射网络提取的特征。提取特征后,您可以训练和评估各种机器学习算法,如支持向量机(SVM)和随机森林,或深度学习算法,如长短时记忆(LSTM)网络。万博1manbetx
在本视频中,我们将讨论小波散射变换,以及如何将其用作自动鲁棒特征提取程序进行分类。我们将介绍小波散射技术对信号的工作原理,但同样的技术也可以应用于图像。
小波散射最好是在深卷积网络或深CNN的背景下理解的,你们中的一些人可能已经熟悉了。
在高层,深度卷积网络过滤数据,应用一些非线性,汇集或平均输出。重复这些步骤以形成层。
深度CNN有一些挑战:
第一:这些模型通常需要大型数据集和大量计算资源进行培训和评估。
第二:通常,您必须为网络选择许多设置,这些设置不会独立影响性能。
最后:很难理解和解释提取的特征。
现在您已经了解了这些背景,让我们看看小波散射如何解决这些挑战。
使用小波散射网络的动机是从一组已知滤波器开始,因为完全训练网络中的滤波器通常类似于类小波滤波器。
主要区别在于卷积神经网络的滤波器权值是学习的,而小波散射网络的滤波器权值是固定的。
现在,让我们深入了解网络的细节:
首先使用小波低通滤波器对输入信号进行平均。这是第0层散射功能。使用平均运算,会丢失信号中的高频细节。
通过对信号执行连续小波变换以产生一组尺度图系数,在后续层捕获在第一步中丢失的细节。将非线性算子(在本例中为模)应用于标度图系数,然后使用小波低通滤波器对输出进行滤波,产生一组第一层散射系数。
重复相同的过程以获得第2层散射系数。也就是说,前一层中的比例图系数的输出成为下一层中操作的输入。然后采用相同的模算子,利用小波低通函数对输出进行滤波,得到第二层散射系数。
散射网络中可以有三个以上的层,但在实践中,每次迭代都会消耗能量,因此对于大多数应用来说,三个层就足够了。通常对系数进行降采样以降低网络的计算复杂性。这些系数统称为散射特征。Y您还可以可视化和解释这些特征。
小波散射网络被称为深度网络,因为它执行构成深度网络的三个主要任务:
卷积、非线性和池
在这种情况下,卷积由小波执行,模算子作为非线性,小波低通滤波器的滤波类似于合用。
通过这种方式,您可以使用从小波散射网络获得的特征,并构建可以对数据进行分类的模型。有关更多信息和示例,请参阅小波工具箱的文档部分。
您还可以从以下列表中选择网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。