从系列:理解小波
Kirthi Devleker, MathWorks
从信号小波散射网络帮助你获取低温度差的特性和图像用于机器学习和深度学习应用。散射网络帮你自动获取特性最小化类内差异,同时保留可分别在类。散射之间的一个重要的区别网络和深度学习框架定义的过滤器是先天的,而不是学习的深卷积网络。随着散射变换是不需要学习的过滤器,您通常可以成功地使用散射在有训练数据不足的情况下。你也可以想象和解释散射特征提取的小波网络。特征提取后,你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,或深学习算法,如长期短期记忆(LSTM)网络。金宝app
在这个视频中,我们将讨论小波散射变换以及它如何可以作为自动健壮的特性分类器。我们将介绍小波散射技术的工作信号,但同样的技术也可以应用于图像。
小波散射是最好的上下文中理解卷积网络深处,或深cnn,你们有些人可能已经熟悉。
在高级别上,深卷积网络过滤数据,应用一些非线性,池或平均输出。重复这些步骤形成了层。
有一些挑战深cnn:
第一:这些模型通常需要大型数据集和重要的计算资源进行培训和评估。
第二:通常情况下,你必须选择你设置许多网络,独立不影响性能。
最后:很难理解和解释的特征提取。
既然你有这样的背景,让我们看看小波散射解决这些挑战。
使用小波散射网络背后的动机是开始一组已知的过滤器过滤器以来训练有素网络经常像wavelet-like过滤器。
的主要区别是,滤波器权重在卷积神经网络的情况下,过滤器重量是固定在小波散射的情况下网络。
现在,让我们深入的细节网络:
平均一个输入信号是第一个使用小波低通滤波器。这是0层散射特性。与平均操作,你失去的高频细节信号。
迷失在细节在后续层捕获的第一步通过执行连续小波变换的信号产生一组量图系数。非线性算子(在本例中模量)是应用于量图系数,然后与小波低通滤波器输出过滤,产生一组图层1散射系数。
重复相同的过程获得2层散射系数。意思,量图系数在前一层的输出成为下一层的输入操作。然后我们应用相同的模数运算符,与小波低通滤波器输出函数产生2层散射系数。
可以有多个散射的三层网络,但在实践中,每次迭代的能量消散,所以三层是足够的对于大多数应用程序。系数通常downsampled减少网络的计算复杂度。这些系数统称为散射特性。你也可以想象和解释这些特性。
小波散射网络被称为深度网络因为它执行三个主要任务,使深网络:
卷积、非线性和池
在本例中,卷积是由小波,模数运算符作为非线性,并与小波低通滤波器滤波类似于池。
通过这种方式,您可以使用小波散射的特性获得网络,构建模型,可以你的数据进行分类。的更多信息和示例,请参阅文档部分小波工具箱。
你也可以从下面的列表中选择一个网站:
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。