matlab连接散射点,使用小波散射做信号分类

在时间序列信号的深度学习第二部分，我们将介绍一下怎样使用小波散射做信号分类。

本视频将分为两部分。

第一部分中我们已经简单介绍一下深度学习，包括它的概念和工作流程等。并且我们演示了如何用时频变换，和基于卷积神经网络的迁移学习来做心电图信号的分类。

第二部分中我们将首先介绍什么是小波散射，之后将聚焦在怎样使用小波散射技术也就是不变散射卷积网络做自动特征提取，和使用长短期记忆网络也就是LSTM(Long Short-Term Memory)做心电图信号的分类。这一部分需要关于CNN和LSTM的一些基本知识，您可以参考我们《深度学习入门之旅》和《使用MATLAB进行深度学习》等在线课程。

时间序列信号深度学习方法一般分为两类，第一类是将信号转换成时频表示，并训练自定义的卷积神经网络直接从那些表示中提取模式。 这在我们视频的第一部分已经做了讲解。

第二类方法是将信号直接馈入深度网络(例如LSTM网络)。为了使深度网络更快地学习模式，我们可能需要先降低信号的维数和可变性。一种是从信号中手动识别和提取特征，比如这个用例里，瞬时频率和谱熵被作为特征给手动的提取出来。

还有一种是使用不变散射卷积网络也就是小波散射自动提取特征。其中第一种方式操作起来比较直接，所以我们将在第二部分视频中重点介绍第二种方式，也就是如何利用小波散射来做自动特征提取。

您可能已经熟悉的深度卷积神经网络也就是深度CNN。简单来说，它通过过滤数据，应用某些非线性操作，合并或平均输出，并重复这些步骤以形成层。比如在这个深度CNN的每一层中，我们有卷积操作来过滤数据，ReLU函数以实现非线性化，最后是一个池化操作。

使用深度CNN我们通常会面临以下挑战：

第一：这些模型通常需要大型数据