Классифицируйте данные электрокардиограммы сердцебиения с помощью глубокого обучения и непрерывного преобразования вейвлета.

Классифицируйте сигналы электрокардиограммы (ЭКГ) человека с помощью вейвлета рассеяния времени и классификатора машины опорных векторов (SVM). При вейвлет данные распространяются через ряд вейвлет, нелинейностей и усреднения, чтобы получить низкодисперсные представления временных рядов. Вейвлет рассеяние приводит к представлениям сигнала, нечувствительным к сдвигам в входном сигнале, не жертвуя различимостью классов. Для запуска этого примера необходимо иметь Wavelet Toolbox™ и Statistics and Machine Learning Toolbox™. Данные, используемые в этом примере, являются общедоступными от PhysioNet. Вы можете найти подход глубокого обучения к этой задаче классификации в этом примере Classify Time Series Using Wavelet Analysis and Deep Learning и подход машинного обучения в этом примере Signal Classification Using Wavelet-Based Features and машины опорных векторов.

Классификация жанра музыкального отрывка с помощью вейвлет рассеяния и audio datastore. При вейвлет данные распространяются через ряд вейвлет, нелинейностей и усреднения, чтобы получить низкодисперсные представления данных. Эти представления с низкой дисперсией затем используются в качестве входов для классификатора.

Классифицируйте записи фонокардиограммы (PCG) человека с помощью вейвлета рассеяния времени и классификатора машины опорных векторов (SVM). Фонокардиограммы являются акустическими записями звуков, производимых сестрической и диастолической фазами сердца. Аускультация сердца продолжает играть важную диагностическую роль в оценке здоровья сердца. К сожалению, во многих районах мира отсутствует достаточное количество медицинского персонала, обученного аускультации сердца. Соответственно, необходимо разработать надежные автоматизированные способы интерпретации данных фонокардиограммы.

Классифицируйте разговорные цифры с помощью как машинного, так и глубокого метода обучения. В примере вы выполняете классификацию, используя рассеяние вейвлета времени с помощью машины опорных векторов (SVM) и с помощью сети долгой краткосрочной памяти (LSTM). Вы также применяете байесовскую оптимизацию, чтобы определить подходящие гиперпараметры, чтобы улучшить точность сети LSTM. Кроме сложения, пример иллюстрирует подход, использующий глубокую сверточную нейронную сеть (CNN) и мел-частотные спектрограммы.

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.

Создайте мультимодельную систему позднего слияния для распознавания акустической сцены. Пример обучает сверточную нейронную сеть (CNN), используя mel spectrogram и ансамблевый классификатор, использующий вейвлет. Пример использует набор данных TUT для обучения и оценки [1].

Классифицируйте сигналы электрокардиограммы (ЭКГ) человека с помощью основанных на вейвлет- редукции данных и классификатора машины опорных векторов (SVM). Задача классификации сигналов упрощается путем преобразования необработанных сигналов ЭКГ в намного меньший набор функций, которые служат в совокупности, чтобы дифференцировать различные классы. Для запуска этого примера необходимо иметь Wavelet Toolbox™, Signal Processing Toolbox™ и Statistics and Machine Learning Toolbox™. Данные, используемые в этом примере, являются общедоступными от PhysioNet.

Классифицируйте текстуры с помощью вейвлет изображений. В сложение к Wavelet Toolbox™ этот пример также требует Parallel Computing Toolbox™ и Image Processing Toolbox™.

Используйте вейвлет для классификации изображений. Этот пример требует Wavelet Toolbox™, Deep Learning Toolbox™ и Parallel Computing Toolbox™.

Классификация радиолокационных возвратов с помощью машинного и глубокого обучения.

Классифицируйте радиолокационные и коммуникационные формы волны с помощью распределения Вигнера-Вилля (WVD) и глубокой сверточной нейронной сети (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.

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 ®).

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.

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).

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.

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