小波技术对于获取数据表示形式或特征非常有效,可以在机器学习和深度学习工作流中使用。
小波散射使您能够生成低方差的数据表示,它对您定义的尺度上的平移是不变的,并且相对于变形是连续的。小波散射需要很少的用户指定的参数来产生紧凑的数据表示。可以将这些表示与机器学习算法结合使用,进行分类和回归。
您可以使用连续小波变换(CWT)生成时间序列数据的二维时频图,该图可用作深度卷积神经网络(CNN)的图像输入。生成用于深层CNN的时频表示是一种强大的信号分类方法。CWT能够同时捕获时间序列数据中的稳态和瞬态行为,这使得基于小波的时频表示在与深度CNN配对时特别稳健。
小波方法也可用于生成稀疏特征向量,用于统计学习应用。小波表示的稀疏特性使您能够在不牺牲可分辨性的情况下实现显著的降维。
waveletScattering |
小波时间散射 |
waveletScattering2 |
小波图像散射 |
cwtfilterbank |
连续小波变换滤波器组 |
从实值时间序列和图像数据中获得低方差特征。
这个例子展示了改变不变性尺度和过采样因子如何影响小波散射变换的输出。
预先训练的深度神经网络(深度学习工具箱)
了解如何下载并使用预训练卷积神经网络进行分类、转移学习和特征提取。
使用分类学习万博1manbetx程序训练支持向量机(统计学和机器学习工具箱)
创建并比较支持向量机(SVM)分类器,万博1manbetx并导出经过训练的模型以对新数据进行预测。