Сгенерируйте код С, содержащий функции Wavelet Toolbox для шумоподавления.

Узнайте, как сгенерировать код CUDA для CWT.

Демонстрирует, как можно использовать мощные методы обработки сигналов и сверточные нейронные сети вместе, чтобы классифицировать сигналы ЭКГ. Мы также покажем, как код CUDA ® может быть сгенерирован из модели Simulink ®. Этот пример использует предварительно обученную сеть CNN из примера Classify Time Series Using Wavelet Analysis and Глубокое Обучение Wavelet Toolbox™, чтобы классифицировать сигналы ECG на основе изображений из CWT данных временных рядов. Для получения информации о обучении смотрите Классификация временных рядов с использованием Wavelet Analysis и Глубокое обучение.

Рабочий процесс для классификации сигналов электрокардиограммы (ЭКГ) человека с помощью Непрерывного Преобразования Вейвлета (CWT) и глубокой сверточной нейронной сети (CNN). Этот пример также предоставляет информацию о том, как сгенерировать и развернуть код и CNN для предсказания на целевой программе Raspberry Pi (устройство на базе ARM ®).

Сгенерируйте и разверните исполняемый файл CUDA ®, который классифицирует сигналы электрокардиограммы (ЭКГ) человека, используя функции, извлеченные непрерывным вейвлет (CWT) и предварительно обученной сверточной нейронной сетью (CNN).

Ускорите расчет скалограммы с помощью графических процессоров. Вычисленные скалограммы используются как входные функции в нейронных сетях глубокой свертки (CNN) для классификации ЭКГ и разговорных цифр.

Ускорите расчет функций вейвлет с помощью gpuArray. Вы должны иметь Toolbox™ Parallel Computing и поддерживаемый графический процессор. Для получения дополнительной информации см. поддержку графического процессора по релизу». Этот пример использует графический процессор NVIDIA Titan V с вычислительными возможностями 7.0.

Сгенерируйте и разверните исполняемый файл CUDA ®, который выполняет классификацию модуляции с помощью функций, извлеченных непрерывным вейвлет (CWT), и предварительно обученной сверточной нейронной сетью (CNN).