Машинное обучение и глубокое обучение для сигналов

Маркировка сигнала, разработка функции, генерация набора данных

Signal Processing Toolbox™ обеспечивает функциональность, чтобы выполнить маркировку сигнала, показать разработку и генерацию набора данных для рабочих процессов глубокого обучения и машинного обучения.

Приложения

Signal AnalyzerВизуализируйте и сравните несколько сигналов и спектров
Signal LabelerПометьте атрибуты сигнала, области и интересные места
EDF File AnalyzerПросмотрите EDF или EDF + файлы

Функции

развернуть все

labeledSignalSetСоздайте помеченный набор сигнала
signalLabelDefinitionСоздайте определение метки сигнала
countlabelsСчитайте количество уникальных меток
folders2labelsПолучите список меток с имен папок
splitlabelsНайдите, что индексы разделяют метки согласно заданным пропорциям
signalMaskИзмените и преобразуйте маски сигнала и извлеките необходимые области сигнала
binmask2sigroiПреобразуйте бинарную маску в матрицу пределов ROI
extendsigroiРасширьте необходимые области сигнала к левому и правому
extractsigroiИзвлеките необходимые области сигнала
mergesigroiОбъедините необходимые области сигнала
removesigroiУдалите необходимые области сигнала
shortensigroiСократите необходимые области сигнала от левого и правого
sigroi2binmaskПреобразуйте матрицу пределов ROI бинарной маске
edfinfoПолучите информацию о EDF/EDF + файл
edfwriteСоздайте или измените EDF или EDF + файл
edfheaderСоздайте структуру заголовка для EDF или EDF + файл
edfreadСчитайте данные из EDF/EDF + файл
signalDatastoreDatastore для набора сигналов
dlstftКратковременное преобразование Фурье глубокого обучения
findchangeptsНайдите резкие изменения в сигнале
findpeaksНайдите локальные максимумы
findsignalНайдите местоположение сигнала с помощью поиска подобия
fsstSynchrosqueezed преобразование Фурье
instbwОцените мгновенную пропускную способность
instfreqОцените мгновенную частоту
pentropyСпектральная энтропия сигнала
periodogramОценка спектральной плотности мощности периодограммой
pkurtosisСпектральный эксцесс от сигнала или спектрограммы
powerbwПолоса пропускания мощности
pspectrumАнализируйте сигналы в частотной и частотно-временной областях
pwelchОценка спектральной плотности мощности методом Уелча

Темы

Выберите приложение, чтобы пометить достоверные данные

Решите который приложение использовать, чтобы пометить достоверные данные: Image Labeler, Video Labeler, Ground Truth Labeler, Lidar Labeler, Signal Labeler или Audio Labeler.

Радар и коммуникационная классификация форм волны Используя глубокое обучение (Phased Array System Toolbox)

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

Пешеход и классификация велосипедистов Используя глубокое обучение (Radar Toolbox)

Классифицируйте пешеходов и велосипедистов на основе их micro-Doppler характеристик с помощью нейронной сети для глубокого обучения и частотно-временного анализа.

Музыкальная классификация жанров Используя рассеивание времени вейвлета (Wavelet Toolbox)

В этом примере показано, как классифицировать жанр музыкальной выборки с помощью времени вейвлета, рассеявшись и аудио datastore.

Классификация рассеиваний времени вейвлета данных о фонокардиограмме (Wavelet Toolbox)

В этом примере показано, как классифицировать человеческую фонокардиограмму (PCG) записи с помощью времени вейвлета, рассеявшись и классификатора машины опорных векторов (SVM).

Обучите разговорную сеть распознавания цифры использование функций из памяти

Обучите разговорную сеть распознавания цифры на слуховых спектрограммах из памяти с помощью преобразованного datastore.

Рекомендуемые примеры

Для просмотра документации необходимо авторизоваться на сайте