Машинное обучение и глубокое обучение для сигналов

Маркировка сигналов, проектирование функций, генерация набора данных

Signal Processing Toolbox™ предоставляет функциональные возможности для выполнения маркировки сигналов, разработки признаков и генерации набора данных для рабочих процессов машинного обучения и глубокого обучения.

Приложения

Signal AnalyzerВизуализируйте и сравните несколько сигналов и спектров
Signal LabelerМаркируйте атрибуты сигнала, области и интересующие точки
EDF File AnalyzerПросмотр файлов EDF или EDF +

Функции

расширить все

labeledSignalSetСоздайте маркированный набор сигналов
signalLabelDefinitionСоздайте определение метки сигнала
countlabelsКоличество уникальных меток
folders2labelsПолучите список меток из имен папок
splitlabelsНайдите индексы для разделения меток в соответствии с заданными пропорциями
signalMaskИзменяйте и преобразуйте маски сигнала и извлекайте интересующие вас области сигнала
binmask2sigroiПреобразуйте двоичную маску в матрицу пределов информация только для чтения
extendsigroiРасширение необходимых областей сигнала влево и вправо
extractsigroiИзвлечение необходимых областей сигнала
mergesigroiОбъедините необходимые области сигнала
removesigroiУдалите необходимые области сигнала
shortensigroiУкорочите необходимые области сигнала слева и справа
sigroi2binmaskПреобразуйте матрицу пределов информация только для чтения в двоичную маску
edfinfoПолучите информацию о файле EDF/EDF +
edfwriteСоздайте или измените файл EDF или EDF +
edfheaderСоздайте структуру заголовка для EDF или файла EDF +
edfreadСчитайте данные из файла EDF/EDF +
signalDatastoreDatastore для набора сигналов
dlstftГлубокое обучение кратковременное преобразование Фурье
findchangeptsОбнаружение резких изменений в сигнале
findpeaksНайти локальные максимумы
findsignalНайти местоположение сигнала используя поиск подобия
fsstSynchrosqueezed преобразование Фурье
instbwОцените мгновенную полосу пропускания
instfreqОцените мгновенную частоту
pentropyСпектральная энтропия сигнала
periodogramОценка спектральной плотности мощности периодограммой
pkurtosisСпектральный куртоз из сигнала или спектрограммы
powerbwПолоса пропускания мощности
pspectrumАнализируйте сигналы в частотной и частотно-временной областях
pwelchОценка спектральной плотности мощности методом Уелча

Темы

Выберите приложение для маркировки Достоверные Данные

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

Классификация сигналов радара и связи с использованием глубокого обучения (Phased Array System Toolbox)

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

Классификация пешеходов и бициклистов с использованием глубокого обучения (Radar Toolbox)

Классификация пешеходов и велосипедистов на основе их микродопплеровских характеристик с помощью нейронной сети для глубокого обучения и частотно-временного анализа.

Классификация жанра музыки с использованием Wavelet Time Scattering (Wavelet Toolbox)

Этот пример показов, как классифицировать жанр музыкального отрывка с помощью вейвлета рассеяния времени и audio datastore.

Вейвлет классификации рассеяния фонокардиограмм (Wavelet Toolbox)

Этот пример показов, как классифицировать записи фонокардиограммы (PCG) человека с помощью вейвлета рассеяния времени и классификатора машины опорных векторов (SVM).

Обучите сеть распознавания разговорных цифр с помощью функций нехватки памяти

Обучите сеть распознавания разговорных цифр на слуховых спектрограммах за пределами памяти с помощью преобразованного datastore.

Рекомендуемые примеры

Для просмотра документации необходимо авторизоваться на сайте