Exponenta Banner

Обработка сигналов с использованием глубокого обучения

Расширьте рабочие процессы глубокого обучения с приложениями обработки сигналов

Примените глубокое обучение к обработке сигналов при помощи Deep Learning Toolbox™ вместе с Signal Processing Toolbox™ или Wavelet Toolbox™. Для аудио и речевых приложений обработки, смотрите Обработку аудиоданных с использованием глубокого обучения. Для приложений в радиосвязях смотрите, что Радиосвязи Используют Глубокое обучение.

Приложения

Signal LabelerПометьте атрибуты сигнала, области и интересные места

Функции

labeledSignalSetСоздайте помеченный набор сигнала
signalLabelDefinitionСоздайте определение метки сигнала
signalMaskИзмените и преобразуйте маски сигнала и извлеките необходимые области сигнала
countlabelsСчитайте количество уникальных меток
folders2labelsПолучите список меток с имен папок
splitlabelsНайдите, что индексы разделяют метки согласно заданным пропорциям
signalDatastoreDatastore для набора сигналов
dlstftКратковременное преобразование Фурье глубокого обучения

Темы

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.

Радар и коммуникационная классификация форм волны Используя глубокое обучение

В этом примере показано, как классифицировать радар и коммуникационные формы волны с помощью Распределения Wigner-Ville (WVD) и глубокой сверточной нейронной сети (CNN).

Разверните сегментацию сигнала глубокая сеть на Raspberry Pi

Сгенерируйте MEX-функцию и независимый исполняемый файл, чтобы выполнить сегментацию формы волны на Raspberry Pi™.

Разверните классификатор сигнала на NVIDIA Джетсон Используя анализ вейвлета и глубокое обучение

В этом примере показано, как сгенерировать и развернуть исполняемый файл CUDA®, который классифицирует человеческую электрокардиограмму (ECG) сигналы, использующие функции, извлеченные непрерывным вейвлетом преобразовывает (CWT) и предварительно обученной сверточной нейронной сетью (CNN).

Разверните классификатор сигнала Используя вейвлеты и глубокое обучение на Raspberry Pi

Этот пример показывает рабочий процесс, чтобы классифицировать человеческую электрокардиограмму (ECG) сигналы с помощью Непрерывного преобразования вейвлета (CWT) и глубокой сверточной нейронной сети (CNN).

Рекомендуемые примеры

Waveform Segmentation Using Deep Learning

Сегментация формы волны Используя глубокое обучение

Электрокардиограмма человека сегмента (ECG) сигналы с помощью текущих нейронных сетей для глубокого обучения и частотно-временного анализа.

Скрипт Open Live Script
Label QRS Complexes and R Peaks of ECG Signals Using Deep Learning Network

Маркируйте QRS Complexes и R Peaks of ECG Signals Using Deep Learning Network

Используйте пользовательские функции автомаркировки в Signal Labeler к комплексам метки QRS и peaks R электрокардиограммы (ECG) сигналы. Одна пользовательская функция использует ранее обученную текущую нейронную сеть для глубокого обучения, чтобы идентифицировать и определить местоположение комплексов QRS. Другая пользовательская функция использует простое пиковое средство поиска, чтобы определить местоположение peaks R. В этом примере сеть помечает комплексы QRS двух сигналов, которые абсолютно независимы от сетевого обучения и процесса тестирования.

Скрипт Open Live Script
Classify ECG Signals Using Long Short-Term Memory Networks

Классифицируйте сигналы ECG Используя длинные краткосрочные сети памяти

Классифицируйте электрокардиограмму heartbeat (ECG) данные из проблемы PhysioNet 2017 с помощью глубокого обучения и обработки сигналов. В частности, пример использует сети Long Short-Term Memory и частотно-временной анализ.

Скрипт Open Live Script
Classify Time Series Using Wavelet Analysis and Deep Learning

Классифицируйте временные ряды Используя анализ вейвлета и глубокое обучение

Классифицируйте человеческую электрокардиограмму (ECG) сигналы с помощью непрерывного вейвлета преобразовывает (CWT) и глубокой сверточной нейронной сети (CNN).

Скрипт Open Live Script
Generate Synthetic Signals Using Conditional Generative Adversarial Network

Сгенерируйте синтетические сигналы Используя условную порождающую соперничающую сеть

Используйте условную порождающую соперничающую сеть, чтобы произвести синтетические данные для обучения модели.

Скрипт Open Live Script
Crack Identification From Accelerometer Data

Взломанная идентификация из данных об акселерометре

Используйте вейвлет и методы глубокого обучения, чтобы обнаружить поперечные трещины тротуара и локализовать их положение. Пример демонстрирует использование последовательностей рассеивания вейвлета как входные параметры к закрытому текущему модулю (GRU) и 1D сверточной сети, чтобы классифицировать временные ряды на основе присутствия или отсутствия трещины. Данные являются вертикальными ускоряющими измерениями, полученными из датчика, смонтированного на суставе приостановки переднего колеса сиденья пассажира. Ранняя идентификация разработки поперечных трещин важна для оценки результатов деятельности тротуара и обслуживания. Надежные методы автоматического обнаружения включают более частый и обширный контроль.

Скрипт Open Live Script

Документация Deep Learning Toolbox

Поддержка