来自系列:理解小波
Kirthi Devleker, MathWorks
小波散射网络可帮助您获得来自信号和图像的低方差功能,以用于机器学习和深度学习应用。散射网络可帮助您自动获取最小化课程中差异的功能,同时保留跨类的识别性。散射网络和深度学习框架之间的一个重要区别在于,过滤器定义了先验,而不是在深度卷积网络的情况下学习。由于不需要散射变换来学习过滤器,您通常可以在训练数据短缺的情况下成功使用散射。您还可以可视化和解释由小波散射网络提取的功能。提取功能后,您可以培训和评估各种机器学习算法,例如支持向量机(SVM)和随机林,或深度学习算法,例如长短期内存(LSTM)网络。金宝app
在这段视频中,我们将讨论小波散射变换以及如何使用它作为分类的自动鲁棒特征提取器。我们将讨论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(deep convolutional networks,简称CNNs)中得到了最好的理解,你们中的一些人可能已经很熟悉了。
在高级,深度卷积网络过滤数据,应用一些非线性,池或平均输出。重复这些步骤以形成层。
深度cnn有几个挑战:
首先:这些模型通常需要大型数据集和大量的计算资源来进行培训和评估。
第二:通常,您必须为您的网络选择许多设置,这些设置不会独立地影响性能。
最后:很难理解和解释提取的功能。
既然你有这个背景,让我们看看小波散射如何解决这些挑战。
使用小波散射网络的动机是从一组已知的滤波器开始,因为完全训练过的网络中的滤波器通常类似于小波滤波器。
主要区别在于,卷积神经网络的滤波器权值是学习的,而小波散射网络的滤波器权值是固定的。
现在,让我们深入了解一下这个网络的细节:
首先使用小波Loppass滤波器平均输入信号。这是第0层散射功能。通过平均操作,您将在信号中丢失高频细节。
通过执行信号的连续小波变换以产生一组缩放系数,在后续层捕获第一步中的细节。非线性操作员(在这种情况下,在模数)上施加在缩放系数上,然后用小波偏光滤波器滤波输出,产生一组层-1散射系数。
重复相同的过程以获得层-2散射系数。含义,前一层中的缩放系数的输出变为下一层中的操作的输入。然后我们应用相同的模数操作员并用小波宽屏功能过滤输出,以产生第2层散射系数。
你可以在散射网络中有超过三层,但实际上,每一次迭代都会消耗能量,所以三层对于大多数应用来说已经足够了。为了降低网络的计算复杂度,通常对网络的系数进行降采样。这些系数统称为散射特性。您还可以可视化和解释这些特性。
小波散射网络之所以被称为深层网络,是因为它执行构成深层网络的三个主要任务:
卷积,非线性,池化
在这种情况下,通过小波执行卷积,模量操作员用作非线性,并且用小波低通滤波器滤波类似于池。
这样,您可以使用从小波散射网络获得的功能和可以对数据进行分类的构建模型。有关更多信息和示例,请参阅小波工具箱的文档部分。
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。