Exponenta Banner
exponenta event banner

Обработка сигналов с помощью глубокого обучения

Расширение рабочих процессов глубокого обучения с помощью приложений для обработки сигналов

Применение глубокого обучения к обработке сигналов с помощью Deep Learning Toolbox™ совместно с Signal Processing Toolbox™ или Wavelet Toolbox™. Приложения для обработки звука и речи см. в разделе Обработка звука с помощью глубокого обучения. Приложения для беспроводной связи см. в разделе Беспроводная связь с использованием глубокого обучения.

Приложения

Маркировщик сигналовМетки атрибутов сигнала, областей и точек интереса

Функции

labeledSignalSetСоздание набора маркированных сигналов
signalLabelDefinitionСоздать определение метки сигнала
signalMaskМодификация и преобразование сигнальных масок и извлечение представляющих интерес сигнальных областей
countlabelsКоличество уникальных меток
folders2labelsПолучение списка меток из имен папок
splitlabelsПоиск индексов для разделения меток в соответствии с заданными пропорциями
signalDatastoreХранилище данных для сбора сигналов
dlstftГлубокое обучение кратковременному преобразованию Фурье

Темы

Классификация пешеходов и велосипедистов с использованием глубокого обучения

Этот пример показывает, как классифицировать пешеходов и велосипедистов на основе их микродоплеровских характеристик с использованием сети глубокого обучения и частотно-временного анализа.

Классификация формы волны радара и связи с использованием глубокого обучения

В этом примере показано, как классифицировать сигналы радара и связи с использованием распределения Вигнера-Вилля (WVD) и глубокой сверточной нейронной сети (CNN).

Развертывание глубокой сети сегментации сигналов на Raspberry Pi

Создайте функцию MEX и автономный исполняемый файл для выполнения сегментации формы сигнала на Pi™ Raspberry.

Развертывание классификатора сигналов на NVIDIA Jetson с использованием вейвлет-анализа и глубокого обучения

В этом примере показано, как генерировать и развертывать исполняемый файл CUDA ®, который классифицирует сигналы электрокардиограммы человека (ЭКГ), используя признаки, извлеченные непрерывным вейвлет-преобразованием (CWT) и предварительно обученной сверточной нейронной сетью (CNN).

Развертывание классификатора сигналов с использованием вейвлетов и глубокого обучения на Raspberry Pi

Этот пример показывает рабочий процесс для классификации сигналов электрокардиограммы человека (ЭКГ) с использованием непрерывного вейвлет-преобразования (CWT) и глубокой сверточной нейронной сети (CNN).

Характерные примеры

Waveform Segmentation Using Deep Learning

Сегментация формы сигнала с использованием глубокого обучения

Сегментация сигналов электрокардиограммы человека (ЭКГ) с использованием рекуррентных сетей глубокого обучения и частотно-временного анализа.

Открыть сценарий в реальном времени
Label QRS Complexes and R Peaks of ECG Signals Using Deep Learning Network

Маркировка комплексов QRS и пиков R сигналов ЭКГ с использованием сети глубокого обучения

Для маркировки комплексов QRS и пиков R сигналов электрокардиограммы (ЭКГ) используйте пользовательские функции автомаркировки в Signal Labeler. Одна пользовательская функция использует ранее обученную сеть повторного глубокого обучения для идентификации и определения местоположения комплексов QRS. Другая пользовательская функция использует простой поиск пиков для определения пиков R. В этом примере сеть маркирует комплексы QRS двумя сигналами, которые полностью не зависят от процесса обучения и тестирования сети.

Открыть сценарий в реальном времени
Classify ECG Signals Using Long Short-Term Memory Networks

Классификация сигналов ЭКГ с использованием сетей долговременной памяти

Классифицируйте данные электрокардиограммы сердцебиения (ЭКГ) из вызова PhysioNet 2017 с использованием глубокого обучения и обработки сигналов. В частности, в примере используются сети долговременной кратковременной памяти и частотно-временной анализ.

Открыть сценарий в реальном времени
Classify Time Series Using Wavelet Analysis and Deep Learning

Классификация временных рядов с использованием вейвлет-анализа и глубокого обучения

Классификация сигналов электрокардиограммы человека (ЭКГ) с использованием непрерывного вейвлет-преобразования (CWT) и глубокой сверточной нейронной сети (CNN).

Открыть сценарий в реальном времени
Generate Synthetic Signals Using Conditional Generative Adversarial Network

Генерирование синтетических сигналов с использованием условной генеративной состязательной сети

Используйте условную генеративную состязательную сеть для получения синтетических данных для обучения модели.

Открыть сценарий в реальном времени
Crack Identification From Accelerometer Data

Идентификация трещин по данным акселерометра

Используйте методы вейвлет и глубокого обучения, чтобы обнаружить поперечные трещины дорожного покрытия и локализовать их положение. Пример демонстрирует использование последовательностей вейвлет-рассеяния в качестве входов в стробируемый повторяющийся блок (GRU) и 1-D сверточную сеть для классификации временных рядов на основе наличия или отсутствия трещины. Данные представляют собой измерения вертикального ускорения, полученные от датчика, установленного на наклоне подвески переднего колеса пассажирского сиденья. Раннее выявление формирующихся поперечных трещин имеет важное значение для оценки и технического обслуживания дорожного покрытия. Надежные методы автоматического обнаружения позволяют проводить более частый и обширный мониторинг.

Открыть сценарий в реальном времени

Документация по инструментам для глубокого обучения

Поддержка