Обработка сигналов с использованием глубокого обучения

Расширение рабочих процессов глубокого обучения с помощью приложений обработки сигналов

Применить глубокое обучение к обработке сигнала при помощи Deep Learning Toolbox™ совместно с Signal Processing Toolbox™ или Wavelet Toolbox™. Для приложений обработки звука и речи см. Обработку аудиоданных с использованием глубокого обучения. Для приложений в беспроводной связи смотрите Беспроводные коммуникации с использованием глубокого обучения.

Приложения

Signal LabelerМаркируйте атрибуты сигнала, области и интересующие точки

Функции

labeledSignalSetСоздайте маркированный набор сигналов
signalLabelDefinitionСоздайте определение метки сигнала
signalMaskИзменяйте и преобразуйте маски сигнала и извлекайте интересующие вас области сигнала
countlabelsКоличество уникальных меток
folders2labelsПолучите список меток из имен папок
splitlabelsНайдите индексы для разделения меток в соответствии с заданными пропорциями
signalDatastoreDatastore для набора сигналов
dlstftГлубокое обучение кратковременное преобразование Фурье

Темы

Классификация пешеходов и бициклистов с использованием глубокого обучения

Этот пример показывает, как классифицировать пешеходов и велосипедистов на основе их микродопплеровских характеристик с помощью нейронной сети для глубокого обучения и частотно-временного анализа.

Классификация радиолокационных и коммуникационных сигналов с использованием глубокого обучения

Этот пример показывает, как классифицировать радиолокационные и коммуникационные формы волны с помощью распределения Вигнера-Вилля (WVD) и глубокой сверточной нейронной сети (CNN).

Развертывание глубокой сети сегментации сигналов на Raspberry Pi

Сгенерируйте MEX-функцию и независимый исполняемый файл для выполнения сегментации формы волны на Raspberry Pi™.

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

Этот пример показывает, как сгенерировать и развернуть исполняемый файл CUDA ®, который классифицирует сигналы электрокардиограммы (ЭКГ) человека, используя функции, извлеченные непрерывным вейвлет (CWT) и предварительно обученной сверточной нейронной сетью (CNN).

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

Этот пример показывает рабочий процесс классификации сигналов электрокардиограммы (ЭКГ) человека с помощью Непрерывного Преобразования Вейвлета (CWT) и глубокой сверточной нейронной сети (CNN).

Рекомендуемые примеры

Waveform Segmentation Using Deep Learning

Сегментация формы волны с использованием глубокого обучения

Сегментируйте сигналы электрокардиограммы (ЭКГ) человека с помощью периодических нейронных сетей для глубокого обучения и частотно-временного анализа.

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

Маркируйте комплексы QRS и Peaks R сигналов ECG, используя нейронную сеть для глубокого обучения

Используйте пользовательские функции автомаркировки в Signal Labeler для маркировки комплексов QRS и peaks R сигналов электрокардиограммы (ECG). Одна пользовательская функция использует предварительно обученный рекуррентную нейронную сеть для глубокого обучения, чтобы идентифицировать и определить местоположение комплексов QRS. Другая пользовательская функция использует простой peak finder, чтобы найти peaks R. В этом примере сеть помечает комплексы QRS двух сигналов, которые полностью независимы от процесса сетевого обучения и тестирования.

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

Классификация сигналов ЭКГ с помощью длинных краткосрочных сетей памяти

Классифицируйте данные электрокардиограммы сердцебиения (ЭКГ) из PhysioNet 2017 Challenge с помощью глубокого обучения и обработки сигналов. В частности, в примере используются сети Long Short-Term Memory и частотно-временной анализ.

Открыть Live Script
Classify Time Series Using Wavelet Analysis and Deep Learning

Классификация временных рядов с помощью вейвлет и глубокого обучения

Классифицируйте сигналы электрокардиограммы (ЭКГ) человека с помощью непрерывного вейвлет (CWT) и глубокой сверточной нейронной сети (CNN).

Открыть Live Script
Generate Synthetic Signals Using Conditional Generative Adversarial Network

Сгенерируйте синтетические сигналы, используя условную генеративную состязательную сеть

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

Открыть Live Script
Crack Identification From Accelerometer Data

Идентификация трещин из данных акселерометра

Используйте вейвлет и глубокое обучение методы, чтобы обнаружить поперечные трещины дорожного покрытия и локализовать их положение. Пример демонстрирует использование вейвлета последовательностей рассеяния как входы для стробированного рецидивирующего модуля (GRU) и 1-D сверточной сети для классификации временных рядов на основе наличия или отсутствия трещины. Данные представляют собой измерения вертикального ускорения, полученные с датчика, установленного на шарнире подвески переднего пассажирского колеса сиденья. Раннее выявление возникающих поперечных трещин важно для оценки эффективности дорожного покрытия и его обслуживания. Надежные методы автоматического обнаружения позволяют более частый и обширный мониторинг.

Открыть Live Script

Документация по Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте