小波技术是有效的获取数据表示形式或功能,你可以使用在机器学习和深度学习工作流。
小波散射使您产生低温度差的数据表示,这是不变的翻译规模你定义和连续变形。小波散射需要一些指定的参数产生的紧凑表示数据。您可以使用这些表征结合机器学习算法的分类和回归。
您可以使用连续小波变换(CWT)生成二维时频时间序列数据的地图,它可以被用作图像输入与卷积神经网络(CNN)。生成用于时频表示深cnn是一个强大的信号分类方法。CWT的能力同时捕获稳态和瞬态行为的时间序列数据使得小波时频表示特别健壮,搭配深cnn。
小波方法也可以用来为统计学习应用程序生成稀疏特征向量。小波表示的稀疏特性使您能够实现显著的降维,而不牺牲辨别力。
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 |
低温度差的特性来自实值时间序列和图像数据。
这个例子展示了如何改变不变性规模和过采样因素影响小波散射变换的输出。
Pretrained深层神经网络(深度学习工具箱)
学习如何下载和使用pretrained卷积神经网络分类,转移学习和特征提取。
使用分类学习金宝app者应用训练支持向量机(统计和机器学习的工具箱)
创建和支持向量机(SVM)分类器相比,金宝app和出口训练模型对新数据进行预测。