2012年，法国工程学院院士Mallat教授深受深度学习结构框架思想的启发，提出了基于小波变换的小波时间散射网络，并以此构造了小波时间散射网络。
小波时间散射网络的结构类似于深度卷积神经网络，不同的是其滤波器是预先确定好的小波滤波器，小波滤波器的参数不需要通过训练样本学习得到，因此其网络是非反馈式的。信号通过计算半离散小波变换，再通过非线性取模操作，得到的信号特征表达具有平移不变性、形变稳定性等优良特性，正好满足机器学习中对特征提取器的基本要求。此外，这些基本性质在数学上得到了严格的理论证明，弥补了卷积神经网络缺乏理论支撑的不足。经过实验证明，小波时间散射网络在手写体识别、纹理和音频分类任务中取得了突出的分类效果，尤其在小样本的情况下，相较于深度卷积神经网络获得较小的分类错误率，因此小波时间散射网络具有一定的优势以及研究意义。
关于小波时间散射网络，可以参考如下文献：
1Rezazadeh N ,Oliveira D M ,Perfetto D , et al.Classification of Unbalanced and Bowed Rotors under Uncertainty Using Wavelet Time Scattering, LSTM, and SVMJ.Applied Sciences,2023,13(12):
2Engineering; Findings from Vytautas Magnus University Yields New Data on Engineering (Detection of Speech Impairments Using Cepstrum, Auditory Spectrogram and Wavelet Time Scattering Domain Features)J.Journal of Engineering,2020.
3Wavelet Time Scattering Based Classification of Interictal and Preictal EEG SignalsJ.Journal of Brain Research,2020,3(3):1-9.
4Lauraitis A ,Maskeliūnas R ,Damaševičius R , et al.Detection of Speech Impairments Using Cepstrum, Auditory Spectrogram and Wavelet Time Scattering Domain FeaturesJ.IEEE Access,2020,896162-96172.
代码为基于深层小波时间散射的ECG信号分类模型，运行环境为MATLAB R2021B，主要讲解如何使用小波时间散射网络和支持向量机分类器对人体心电图 （ECG）信号进行分类。在小波散射中，数据通过一系列的小波变换、非线性化和平均化过程，以产生时间序列的低方差表示。小波时间散射产生了对输入信号微小变化不敏感的信号表示，而几乎不会影响到分类准确率，使用的数据从 PhysioNet公开获得。
代码使用从3种 ECG 数据：心律失常数据、充血性心力衰竭数据和正常窦性心律数据，共使用来自3个 PhysioNet 数据库的162条ECG 记录：MIT-BIH心律失常数据库、MIT-BIH正常窦性心律数据库和BIDMC充血性心力衰竭数据库。 共有96个心律失常患者的信号，30个充血性心力衰竭患者的信号，以及36个正常窦性心律患者的信号，目标就是训练分类器来区分心律失常 （ARR）、充血性心力衰竭 （CHF）和正常窦性心律 （NSR）3类信号。
出图如下：
工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任
《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家，担任《计算机科学》，《电子器件》 ， 《现代制造过程》 ，《电源学报》，《船舶工程》 ，《轴承》 ，《工矿自动化》 ，《重庆理工大学学报》 ，《噪声与振动控制》 ，《机械传动》 ，《机械强度》 ，《机械科学与技术》 ，《机床与液压》，《声学技术》，《应用声学》，《石油机械》，《西安工业大学学报》等中文核心审稿专家。
擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。