Примените глубокое обучение к обработке сигналов и приложениям связи при помощи Deep Learning Toolbox™ вместе с Signal Processing Toolbox™, Wavelet Toolbox™ и Communications Toolbox™. Для аудио и речевых приложений обработки, смотрите Обработку аудиоданных с использованием глубокого обучения.
| Signal Labeler | Пометьте атрибуты сигнала, области и интересные места |
Классифицируйте сигналы ECG Используя длинные краткосрочные сети памяти
В этом примере показано, как классифицировать электрокардиограмму heartbeat (ECG) данные из проблемы PhysioNet 2017 с помощью глубокого обучения и обработки сигналов.
Классифицируйте временные ряды Используя анализ вейвлета и глубокое обучение
В этом примере показано, как классифицировать человеческую электрокардиограмму (ECG) сигналы с помощью непрерывного вейвлета преобразовывает (CWT) и глубокой сверточной нейронной сети (CNN).
Классификация модуляций с глубоким обучением
В этом примере показано, как использовать сверточную нейронную сеть (CNN) в классификации модуляций.
Сегментация формы волны Используя глубокое обучение
В этом примере показано, как сегментировать человеческую электрокардиограмму (ECG) сигналы с помощью текущих нейронных сетей для глубокого обучения и частотно-временного анализа.
Маркируйте QRS Complexes и R Peaks of ECG Signals Using Deep Network
То В этом примере показано, как использовать пользовательскую автомаркировку, функционирует в Signal Labeler к комплексам метки QRS и peaks R электрокардиограммы (ECG) сигналы.
Пешеход и классификация велосипедистов Используя глубокое обучение
В этом примере показано, как классифицировать пешеходов и велосипедистов на основе их micro-Doppler характеристик с помощью нейронной сети для глубокого обучения и частотно-временного анализа.
Радарная классификация форм волны Используя глубокое обучение
В этом примере показано, как классифицировать радарные типы формы волны сгенерированных синтетических данных с помощью Распределения Wigner-Ville (WVD) и глубокой сверточной нейронной сети (CNN).
