小波分析系列讲座0

本节之所以称为讲座0 因为它只是一个很简单的例子 还谈不上正式入门 但他具备了部分的思想

 

[x0,x1,x2,x3]=[90,70,100,70]

为达到压缩 我们可取 (x0+x1)/2  (x0-x1)/2 来代表 x0,x1

这样 [90,70] 可表示为 [80,10] 80即平均数 10是小范围波动数(可想象出一种波的形状)

[90,70] --〉[80,10] , [100,70] --〉 [85,15]

可以想象80 和85 都是局部的平均值 反映大的总体的状态 是变化相对缓慢的值 可以认为他们是低频部分的值

而10、15是小范围波动的值 局部变换较快 可以认为他们是高频部分的值

FIRST: 把[90,70,100,70] 写成 [80,85,10,15] 即把低频部分写在一起(记频率L) 高频部分写在一起(H)

SECOND: 而[80,85] 又可经同样的变换--> [82.5, -2.5] 这样 82.5表示更低频的信息(记频率LL) -1.5则表示了频率L上的波动

   最后90,70,100,70] --〉[82.5, -2.5, 10, 15] 这样信息就可被压缩了(数字范围小了)


---这就是二级变换 同样的你可以进行更高级的变换 呵呵 很简单吧

 

 

 

现在再来扩展一下
[90,70]---> [80,10] 写成矩阵

[90,70] * [1/2, 1/2]
    [1/2 ,-1/2] 

如果是[90,70,100,70] 第一步就可写成矩阵M1
[1/2, 0, 1/2, 0 ]
[1/2, 0, -1/2, 0 ]
[0,  1/2, 0,  1/2]
[0 , 1/2, 0, -1/2]

第二步 只对低频 L操作 高频不变 故可写成M2
1/2,  1/2, 0, 0
1/2, -1/2, 0, 0
0,  0,  1, 0
0,  0,  0, 1

令M=M1*M2 则可对4*4 的点阵操作
同样 你可轻易写出 16*16的点阵矩阵
试着对一幅图像操作一步步运算 看看其结果
第一步运算后 原图像缩小至左边一半了 右边的是对应波动信息
第二步运算后 图像又缩小至左边一半了 对应波动信息

刚才我们仅仅对行变换 如果同时对列变换 结果如何呢 自己试吧 呵呵
方式1: 对每一次行变换后对列变换 交叉进行
方式2: 对行变换后对列变换 独立进行

事物的不变性(或缓慢变化)和快速变化性 信息分离 再分离

 

 

原文http://www.chinaai.org/Article_Show.asp?ArticleID=258

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有忆功能,能够捕捉数据中的时间依赖性。 5. **长短期忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值