理解小波,第5部分:小波散射的机器学习和深度学习
从系列中:理解小波
小波散射网络可以帮助您从信号和图像中获得低方差特征,用于机器学习和深度学习应用。分散网络帮助您自动获得最小化类内差异的特征,同时保留类间的可区分性。散射网络和深度学习框架之间的一个重要区别是,过滤器是先验定义的,而不是像深度卷积网络那样被学习。由于散射变换不需要学习滤波器,在训练数据不足的情况下,通常可以成功地使用散射。您还可以可视化和解释小波散射网络提取的特征。一旦特征被提取出来,你就可以训练和评估各种机器学习算法,比如支持向量机(SVM)和随机森林,或者深度学习算法,比如长短期记忆(LSTM)网络。金宝app
在本视频中,我们将讨论小波散射变换以及如何将其用作分类的自动鲁棒特征提取器。我们将介绍信号的小波散射技术,但同样的技术也可以应用于图像。
小波散射在深度卷积网络或深度cnn的背景下是最好的理解,你们中的一些人可能已经熟悉了。
在高层次上,深度卷积网络过滤数据,应用一些非线性,并汇集或平均输出。重复这些步骤以形成层。
深度cnn有一些挑战:
首先:这些模型通常需要大量的数据集和大量的计算资源来进行训练和评估。
第二:通常,您必须为网络选择许多设置,这些设置不会单独影响性能。
最后:理解和解释提取的特征可能很困难。
有了这些背景知识,让我们看看小波散射是如何解决这些挑战的。
使用小波散射网络的动机是从一组已知的滤波器开始,因为完全训练的网络中的滤波器通常类似于类小波滤波器。
主要的区别是,在卷积神经网络中,滤波器权值是学习的,而在小波散射网络中,滤波器权值是固定的。
现在,让我们深入了解网络的细节:
输入信号首先用小波低通滤波器平均。这是0层散射特征。使用平均运算,你会丢失信号中的高频细节。
在第一步中丢失的细节在后续层中被捕获,通过对信号进行连续小波变换来产生一组标量系数。在标量图系数上应用非线性算子(在这种情况下是模量),然后用小波低通滤波器对输出进行滤波,得到一组第一层散射系数。
重复相同的过程以获得第二层散射系数。也就是说,上一层的标量系数的输出成为下一层操作的输入。然后应用相同的模算子,用小波低通函数对输出进行滤波,得到二层散射系数。
散射网络中可以有超过三层,但在实践中,能量会随着每次迭代而耗散,因此三层对大多数应用来说已经足够了。系数通常是下采样的,以减少网络的计算复杂性。这些系数统称为散射特征。您还可以可视化和解释这些特性。
小波散射网络被称为深度网络,因为它执行了构成深度网络的三个主要任务:
卷积,非线性和池化
在这种情况下,用小波进行卷积,用模算子作为非线性,用小波低通滤波器进行滤波类似于池化。
这样,您就可以使用从小波散射网络获得的特征,并建立可以对数据进行分类的模型。有关更多信息和示例,请参考小波工具箱的文档部分。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。