机器学习中val_小波变换（七）：小波变换在机器学习中的应用（下）

本文继续讲解一篇关于小波变换在机器学习中的应用的博客： 《A guide for using the Wavelet Transform in Machine Learning》，极力推荐！！ 3.1 使用连续小波变换可视化状态空间

1维信号的小波变换是2维的时间-尺度图，该图给出了系统状态空间的详细信息，也就是给出了系统的动态行为。

下图给出了El Nino数据集的原始时间序列信号、傅里叶变换和小波变换的结果。

3.2 使用连续小波变换和卷积神经网络进行信号的分类

由3.1部分的2维时间-尺度图可知：小波变换不仅可以更好地理解系统的动态行为，也可以被用来区分不同类型的信号。测试所用的数据集包含了人做6种不同的活动。

3.2.1 加载UCI-HAR时间序列数据集

对于数据集的描述如下：包含人做6种不同的活动，一共10000多个信号，每个信号包含如下图的9个分量。

由于每个信号包含9个分量，因此需要对每个信号进行9次连续小波变换。

按照7：3的比例划分所有信号，每个信号包含9个分量，每个分量包含128个样本点。因此，训练集的大小为(7352，128，9)，测试集的大小为(2947，128，9)。 3.2.2 对数据集应用连续小波变换，并且将数据变换到合适的格式

既然每条信号对应9张时间-尺度图，该怎么把它们输入到CNN中呢？有如下四种可选的方案：

1)为每个分量分别训练CNN，最终的结果通过集成方式确定。这个方法可能性能较差，因为它忽略了不同分量之间的联系；2)先将9个分量的时间序列信号串联起来，然后对串联信号做连续小波变换。这种方法会在信号拼接的地方不连续，进而在时间-尺度图上信号拼接处产生造成噪声。3)首先计算每个分量的连续小波变换，然后将9个不同分量的时间-尺度图拼接成一张大的，再输入到CNN中。但是该方法同样也会在拼接处不连续，从而将噪声引入到CNN中。如果CNN足够深，也许可以区分出这些噪声。 4)将9个不同分量的时间-尺度图纵向摞在一起，形成一张通道数为9的图片，再输入到CNN中训练，如下图所示。

scales = range(1,128)waveletname = 'morl'train_size = 5000test_size= 500 train_data_cwt = np.ndarray(shape=(train_size, 127, 127, 9)) for ii in range(0,train_size):    if ii % 1000 == 0:        print(ii)    for jj in range(0,9):        signal = uci_har_signals_train[ii, :, jj]        coeff, freq = pywt.cwt(signal, scales, waveletname, 1)        coeff_ = coeff[:,:127]        train_data_cwt[ii, :, :, jj] = coeff_ test_data_cwt = np.ndarray(shape=(test_size, 127, 127, 9))f