[发明专利]用于获得促进机器学习任务用的最佳母小波的系统和方法

说明书

用于获得用于促进机器学习任务的最佳母小波的系统和方法。传统的系统和方法提供了使用一些传统的技术和方法来选择母小波和信号分类，但是它们都没有提供选择最佳母小波以促进机器学习任务。本公开的实施方式提供了获得最佳母小波以促进机器学习任务，通过基于标记的数据集和可能的母小波组计算能量和熵的值，基于能量和熵的值计算质心和标准偏差的值，计算距离值组并归一化该距离值组并基于该距离值组获得最佳母小波，用于执行小波变换，并通过对对应于新信号组的新信号组类进行分类或回归来进一步促进机器学习任务。

相关申请和优先权的交叉引用

该专利申请要求于2017年12月28日在印度提交的印度说明书(标题：Systems andMethods for obtaining optimal mother wavelets for facilitating machinelearning tasks)No.201721047125的优先权。

技术领域

本公开大体上涉及获得用于促进机器学习任务的最佳母小波。更特别地，本公开涉及用于获得用于促进机器学习任务的最佳母小波的系统和方法。

背景技术

通常，小波是数学函数，其基本上将数据分成多个频率分量，以便以与其刻度匹配的分辨率来研究每个分量。执行小波分析过程以采用小波原型函数，其被叫作或称为分析小波或母小波。理想地，小波用于使用多个时移和频率刻度而通过时域和频域二者来分析具有高分辨率的信号。每当小波与已识别的信号的形态匹配时，应用小波变换如离散小波变换有助于分析和从信号中提取特征。

母小波形成用于分析小波变换中的给定信号的基础。基于在信号类上执行的特定任务，母小波可以从一个应用到另一个而不同。因此，选择最佳母小波是重要的，因为通过应用小波变换获得的结果可能受到所选择的母小波的影响。因此，信号和母小波之间必须有一定程度的相关性。此外，人们可以从大量母小波函数中进行选择。因此，应用小波分析的最大挑战是如何为给定任务选择所需的母小波。普遍同意的是，小波变换应用的成功取决于为任务选择合适的小波函数。

传统的系统和方法提供了使用众所周知的技术来选择母小波，例如，连续小波变换(CWT)，但它们都没有提供选择可以实现机器学习任务的最佳或最优的母小波。

发明内容

以下呈现了本公开的一些实施方式的简化概述，以便提供实施方式的基本理解。该概述不是实施方式的广泛综述。并不意在标识实施方式的关键/重要元素或描绘实施方式的范围。其唯一目的是以简化的形式呈现一些实施方式，作为下面呈现的更详细描述的序言。

本公开的系统和方法使得能够获得用于促进机器学习任务的最佳母小波。在本公开的实施方式中，提供了一种用于获得用于促进机器学习任务的最佳母小波的方法，该方法包括：基于多个信号，通过一个或多个硬件处理器来识别第一组信号数据，其中第一组信号数据包括对应于一个或多个信号类的标记数据集；基于第一组信号数据和可能的母小波组来计算能量和熵的值，包括对应于通过可能的母小波组的小波变换的第一组信号的熵比和多级小波熵；基于能量和熵的值计算第二组信号数据，包括对应于一个或多个信号类的第一组信号的质心和标准偏差的值；基于第二组信号数据计算距离值组，包括对应于一个或多个信号类的质心之间的距离，其中该距离值组基于对应于第二组信号数据的函数来计算；基于对应于一个或多个信号类的该距离值组和标准偏差的值，获得一个或多个最佳母小波，用于执行第一组信号的小波变换；通过基于能量和熵的值使用N范数技术归一化该距离值组来计算该距离值组，以获得一个或多个最佳母小波；基于标记数据集通过分析可能的母小波组来获得一个或多个最佳母小波，以对一个或多个信号类进行分类；并且通过所获得的一个或多个最佳母小波，使得能够通过执行第二组信号的小波变换来分解第二组信号，并且其中第二组信号通过对对应于第二组信号的一个或多个信号类进行分类或回归来促进机器学习任务。