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

Для просмотра документации необходимо авторизоваться на сайте