本文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!!目录如下:
链接:http://ataspinar.com/2018/12/21/a-guide-for-using-the-wavelet-transform-in-machine-learning/ 1、引言信号处理技术(比如傅里叶变换、小波变换等)可以用在时间序列分类的任务中。傅里叶变换可以将一个信号从时域变换到频域,频谱中的峰值对应着信号中最常出现的频率。在频谱中,峰值的位置(频率值)和高度(幅度值)可以作为分类器的输入。
傅里叶变换在很多分类问题中都表现得很好。通常情况下,只有当频谱是静态的时候,使用傅里叶变换才可行。信号越是非静态,傅里叶变换产生的结果就越差。然而,大多数实际问题中的信号都是非静态的,用于分析非静态信号的一种更好的方法是小波变换。
在这篇博客中,我们会稍微涉及一些小波变换的理论,以及如何将其应用在实际问题中,并且每一步都提供了相应的代码以方便理解。
2.1 从傅里叶变换到小波变换傅里叶变换的工作原理是:将信号与一系列不同频率的sin波函数相乘,再进行积分。傅里叶变换在频域上有较高的分辨率,在时域上的分辨率为0。也就是说,傅里叶变换能够清楚地告诉我们信号中存在什么样的频率,但是不知道这些频率发生在什么时刻。
两个信号的频谱一致,但是在时域上却不大不相同。傅里叶变换不能告诉我们关于频率发生的时刻。
为了解决傅里叶变换在处理非静态信号时的问题,短时傅里叶变换被提出来。短时傅里叶利用滑动窗口将信号等分成相同长度的区间(可以有重叠的区域),然后分别对这些区间进行傅里叶变换。但是,短时傅里叶变换存在分辨率的问题:若区间长度较小,则很容易知道频率发生在什么时刻,但是频率的信息则