Wavelet Decomposition of Signal and Feature Selection by LASSO for Pattern Recognition

摘要

Poszukiwana jest równowaga pomiędzy wzrostem ryzyka rozpoznawania obrazów oraz zmniejszeniem rozmiaru modelu. Badania przeprowadzono dla zaszumionych sygnałów, zdekomponowanych w bazach lalkowych. Falkowa reprezentacja sygnałów, czyli reprezentacja za pomocą współczynników takowych zwanych cechami sygnału, stanowi pełny model. Przedstawiona metoda selekcji cech jest oparta o algorytm Lasso (Least Absolute Shrinkage and Selection Operator). Celem eksperymentu jest znalezienie optymalnego rozmiaru modelu oraz zbadanie zależności pomiędzy ryzykiem, liczbą cech sygnału oraz poziomem szumu. Zaproponowano nowe kryterium selekcji cech, które minimalizuje ryzyko oraz liczbę cech sygnału. Eksperymentalne ryzyko błędnej klasyfikacji jest badane dla wszystkich możliwych zredukowanych za pomocą Lasso modeli oraz kilku wartości poziomu szumu.%There is searched the balance between an increase of pattern recognition risk and a decrease of a model size. The experiments are performed for noisy signals, decomposed in wavelet bases. Wavelet representation of signals, i.e. representation by wavelet coefficients called signal features, constitutes the full model. The presented feature selection method is based on the Lasso algorithm (Least Absolute Shrinkage and Selection Operator). The aim of the experiment is to find an optimal model size and investigate the relations between the risk, the number of signal features and the noise level. A new criterion of feature selection is proposed that minimizes both the risk and the number of signal features. The experimental risk of classification is analysed for all possible reduced by Lasso models and for several values of noise levels.