ウェーブレット散乱

実数値の時系列と画像データから低分散の特徴量を導出して,分類と回帰のための機械学習やディープラーニングで使用できます。

ディーディープラーニングのためためのウェーブレットベースの手

连続ウェーブレット解析を使使使，时，时，时，时空 - 数量マップマップ生成でき。これらこれら，深层深层ニューラル（CNN）でで力として使使。

参照例

例を参考にして,機械学習とディープラーニングのためのウェーブレットベースの手法を使ってみましょう。

間引きウェーブレットおよびウェーブレットパケット解析

間引き離散ウェーブレット変換(DWT)を実行して,信号,画的像,3 dボリュームを徐々に細かくなるオクターブバンドで解析します。

ウェーブレットパケット変换を使使使て，データの全体的なエネルギー维持し，信号と画像周波周波数を，徐々に狭くなる幅幅幅ににします。

非間引きウェーブレットおよびウェーブレットパケット解析

定常ウェーブレット変换（swt），最大重复离散ウェーブレット変换（modwt），最大重复ウェーブレットパケット変换の非间引きウェーブレット変换をを装..

信号多重解像度アナライザーアプリを使用して,信号のマルチレベルウェーブレットまたは経験的モード分解を生成して比較します。

データ適応変換

経験的モード分解(EMD)や変動モード分解(VMD)などの手法を使用して,非線形プロセスまたは非定常プロセスを固有の振動モードに分解します。

信号のヒルベルトスペクトル解析を実行して,局所的な特徴を特定します。

ノイズ除去

ウェーブレットおよびウェーブレットパケットのノイズ除去手法を使用し,他のノイズ除去手法で削除または平滑化される特徴を保持します。

ウェーブレット信号デノイザーアプリは,1 d信号の可視化とノイズ除去に使用できます。

圧缩

ウェーブレットとウェーブレットパケットを使用して,知覚的品質に影響を与えずにデータを削除することにより,信号や画像を圧縮します。