主要内容

waveletScattering

小波时间散射

描述

使用waveletScattering对象创建一个网络小波时间散射分解使用Gabor(解析Morlet)小波。该网络使用小波和低通缩放函数来生成实值时间序列数据的低方差表示。小波时间散射产生对输入信号中的平移不敏感的表示,同时又不牺牲类的可辨性。您可以使用这些表示作为分类器的输入。您可以指定平移不变性的持续时间和每八度的小波滤波器的数量。散射网络还支持时间×通道×批次(T×C×B)输入。万博1manbetx

创建

描述

例子

科幻小说= waveletScattering创建带有两个滤波器组的小波时间散射网络。第一个滤波器组的质量因子为每八度8个小波。第二滤波器组的质量因子为每八度一个小波。默认情况下,waveletScattering假设信号输入长度为1024个样本。尺度不变性长度为512个样本。默认情况下,waveletScattering使用周期性边界条件。

例子

科幻小说= waveletScattering (名称,值创建小波散射网络,科幻小说,具有由一个或多个指定的属性名称,值对参数。属性可以按任意顺序指定为Name1, Value1,…,的家.将每个属性名用引号括起来。

请注意

除了OversamplingFactor,创建后不能更改现有散射网络的属性值。例如,如果你有一个网络科幻小说与一个SignalLength2000年,您必须创建第二个网络sf2对于2001个样本的信号。你不能分配一个不同的SignalLength科幻小说

属性

全部展开

样本中的信号长度,指定为正整数≥16。如果散射网络的输入是行向量,SignalLength必须与输入数据中的列数匹配。如果散射网络的输入是列向量、矩阵或三维数组,SignalLength必须与数据中的行数匹配。

数据类型:

采样频率(以赫兹为单位),表示为正标量。如果未指定,频率以周期/样本为单位,奈奎斯特频率为½。

数据类型:

散射变换不变性尺度,指定为正标量。InvarianceScale指定散射变换的平移不变性。如果您没有指定SamplingFrequencyInvarianceScale是在样本中测量的。如果你指定SamplingFrequencyInvarianceScale以秒为单位。默认情况下,InvarianceScale是一半SignalLength在样本。

InvarianceScale不能超过SignalLength在样本。

例子:sf =小波散射('SignalLength',1000,'SamplingFrequency',200,'InvarianceScale',5)拥有最大的可能InvarianceScale

数据类型:

散射滤波器组Q因子,指定为正整数或正整数的向量。滤波器组Q因子是每八度的小波滤波器的数目。质量因子不能超过32,且必须大于等于1。

如果QualityFactors被指定为一个向量,元素QualityFactors一定是严格递减的。

例子:sf =小波散射('QualityFactors',[8 2 1])创建带有三个滤波器组的小波散射网络。

数据类型:

边界处应用的信号扩展方法:

  • “周期”-定期延长信号长度2 ^装天花板(log2 (N)),在那里N是信号长度。

  • “反射”-通过反射长度扩展信号2 ^装天花板(log2 (2 N)),在那里N是信号长度。

对信号进行扩展以匹配小波滤波器的长度。滤波器的长度是2的幂。

信号扩展方法用于内部操作。在返回结果之前,将结果向下采样回到原始信号的尺度上。

散射分解精度:

  • “双”-双精度

  • “单一”-精度单一

所有涉及小波散射网络的计算都在精度.小波散射函数等featureMatrix而且filterbank返回过滤器等输出精度.输出的精度scatteringTransform函数的精度不超过科幻小说

请注意

  • 如果使用双精度滤波器构建散射网络,并将该网络应用于单精度数据,则过滤器在内部转换为单精度。后续的过滤以单一精度完成,直到创建一个新的网络,而不管输入数据类型如何。

  • 指定精度作为“单一”At构造在代码生成中特别有用,因为它消除了创建散射滤波器组的额外副本的需要。

过采样因子,指定为非负整数或.该因子指定散射系数相对于临界下采样值有多少过采样。因子在对数上2规模。默认情况下,OversamplingFactor设置为0,这对应于对系数进行严格的降采样。你可以使用numCoefficients确定散射网络的系数数。为了获得完全非拟合散射变换,设置OversamplingFactor

设置OversamplingFactor对于一个会导致系数大于样本的值,等效于设置OversamplingFactor.增加了OversamplingFactor显著增加了散射变换的计算复杂度和内存需求。

例子:如果sf =小波散射(' overamplingfactor ',2),则散射变换返回22乘以每条散射路径相对于临界采样数的系数。

优化散射变换逻辑,它决定散射变换是否根据带宽考虑减少要计算的散射路径数量,指定为数值或逻辑1真正的)或0).

如果你指定OptimizePath作为真正的,则散射变换排除不满足以下条件的2阶及更大阶散射路径:+1)个滤波器组必须重叠0 (DC)加上1 / 2的小波滤波器的3db带宽滤波器组。如果不满足此条件,则排除高阶路径。设置OptimizePath对于大多数网络来说,为true可以显著减少散射路径的数量和散射变换的计算复杂度。

你可以使用路径以确定计算哪条和多少条散射路径。

对象的功能

scatteringTransform 小波一维散射变换
featureMatrix 散射特征矩阵
日志 散射变换的自然对数
filterbank 小波时间散射滤波器组
littlewoodPaleySum Littlewood-Paley总和
散点图 可视化散射或标量系数
centerFrequencies 小波散射带通中心频率
numorders 散射阶数
numfilterbanks 散射滤波器组的数目
numCoefficients 小波散射系数的个数
路径 散射网络路径

例子

全部折叠

创建一个默认值的小波时间散射网络。

sf =小波散射
sf = waveletScattering with properties: SignalLength: 1024 InvarianceScale: 512 QualityFactors: [8 1] Boundary: 'periodic' SamplingFrequency: 1 Precision: 'double' overamplingfactor: 0 OptimizePath: 0

绘制用于第一和第二滤波器组的小波滤波器。

[filter,f] = filterbank(sf);情节(f,过滤器{2}.psift)标题(“第一过滤器库”)包含(“周期/样本”) ylabel (“级”网格)

图中包含一个轴对象。标题为First Filter Bank的axes对象包含41个类型为line的对象。

Figure plot(f,filters{3}.psift)“第二过滤器组”)包含(“周期/样本”) ylabel (“级”网格)

图中包含一个轴对象。标题为Second Filter Bank的axes对象包含7个类型为line的对象。

画出过滤器组的Littlewood-Paley和。

[lpsum,f] = littlewoodPaleySum(sf);图图(f,lpsum)图例(“第一过滤器组”“第二滤波器组”)包含(“周期/样本”网格)

图中包含一个轴对象。axis对象包含2个line类型的对象。这些对象表示1st Filter Bank, 2nd Filter Bank。

这个例子展示了如何创建和应用一个小波时间散射网络与三个滤波器组的数据。

加载一个数据集。创建一个具有三个可应用于数据的滤波器组的散射网络。

负载汉德尔disp ([数据采样频率:num2str (Fs),“赫兹”])
数据采样频率:8192hz
sf =小波散射(“SignalLength”元素个数(y),...“SamplingFrequency”Fs,...“QualityFactors”,[4 2 1])
sf =小波散射属性:SignalLength: 73113 InvarianceScale: 4.4625 QualityFactors:[4 2 1]边界:'周期' SamplingFrequency: 8192精度:'double' overamplingfactor: 0 OptimizePath: 0

检查网络。绘制第三个滤波器组中使用的小波滤波器。

[filter,f] = filterbank(sf);情节(f,过滤器{4}.psift)标题(“第三过滤器组”)包含(“赫兹”) ylabel (“级”网格)

绘制三个过滤器组的Littlewood-Paley和。

[lpsum,f] = littlewoodPaleySum(sf);Figure plot(f,lpsum) xlabel(“赫兹”网格)传奇(“第一过滤器组”“第二滤波器组”“第三过滤器组”

计算数据的小波一维散射变换科幻小说.可视化第一个滤波器组的标量系数的散点图。

[S,U] = scatteringTransform(sf,y);图分布图(科幻,U,“FilterBank”, 1)

更多关于

全部展开

参考文献

[1] Andén, Joakim和Stéphane Mallat。“深度散射光谱。”IEEE信号处理汇刊62年,没有。16(2014年8月):414 - 28。https://doi.org/10.1109/TSP.2014.2326991。

[2]马拉特,Stéphane。“群不变散射。”纯粹数学与应用数学交流“,65年,没有。10(2012年10月):1331-98。https://doi.org/10.1002/cpa.21413。

扩展功能

版本历史

在R2018b中引入

全部展开