Обработка сигналов с использованием глубокого обучения

Расширьте рабочие процессы глубокого обучения с приложениями обработки сигналов

Примените глубокое обучение к обработке сигналов при помощи Deep Learning Toolbox™ вместе с Signal Processing Toolbox™ или Wavelet Toolbox™. Для аудио и речевых приложений обработки, смотрите Обработку аудиоданных с использованием глубокого обучения. Для приложений в радиосвязях смотрите, что Радиосвязи Используют Глубокое обучение.

Приложения

Signal LabelerПометьте атрибуты сигнала, области и интересные места

Функции

labeledSignalSetСоздайте помеченный набор сигнала
signalLabelDefinitionСоздайте определение метки сигнала
signalMaskИзмените и преобразуйте маски сигнала и извлеките необходимые области сигнала
countlabelsСчитайте количество уникальных меток
folders2labelsПолучите список меток с имен папок
splitlabelsНайдите, что индексы разделяют метки согласно заданным пропорциям
signalDatastoreDatastore для набора сигналов
dlstftКратковременное преобразование Фурье глубокого обучения
stftLayerКратковременный слой преобразования Фурье

Темы

Пешеход и классификация велосипедистов Используя глубокое обучение (Radar Toolbox)

Классифицируйте пешеходов и велосипедистов на основе их micro-Doppler характеристик с помощью нейронной сети для глубокого обучения и частотно-временного анализа.

Радар и коммуникационная классификация форм волны Используя глубокое обучение (Radar Toolbox)

Классифицируйте радар и коммуникационные формы волны с помощью Распределения Wigner-Ville (WVD) и глубокой сверточной нейронной сети (CNN).

Автоматизируйте маркировку сигнала пользовательскими функциями (Signal Processing Toolbox)

Используйте Signal Labeler, чтобы расположиться и комплексы метки QRS и peaks R сигналов ECG.

Взломанная идентификация из данных об акселерометре (Wavelet Toolbox)

Используйте вейвлет и методы глубокого обучения, чтобы обнаружить поперечные трещины тротуара и локализовать их положение.

Разверните сегментацию сигнала глубокая сеть на Raspberry Pi

Сгенерируйте MEX-функцию и независимый исполняемый файл, чтобы выполнить сегментацию формы волны на Raspberry Pi™.

Разверните классификатор сигнала на NVIDIA Джетсон Используя анализ вейвлета и глубокое обучение

В этом примере показано, как сгенерировать и развернуть исполняемый файл CUDA®, который классифицирует человеческую электрокардиограмму (ECG) сигналы, использующие функции, извлеченные непрерывным вейвлетом преобразовывает (CWT) и предварительно обученной сверточной нейронной сетью (CNN).

Разверните классификатор сигнала Используя вейвлеты и глубокое обучение на Raspberry Pi

Этот пример показывает рабочий процесс, чтобы классифицировать человеческую электрокардиограмму (ECG) сигналы с помощью Непрерывного преобразования вейвлета (CWT) и глубокой сверточной нейронной сети (CNN).

Рекомендуемые примеры

Waveform Segmentation Using Deep Learning

Сегментация формы волны Используя глубокое обучение

Электрокардиограмма человека сегмента (ECG) сигналы с помощью текущих нейронных сетей для глубокого обучения и частотно-временного анализа.

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

Классифицируйте сигналы ECG Используя длинные краткосрочные сети памяти

Классифицируйте электрокардиограмму heartbeat (ECG) данные из проблемы PhysioNet 2017 с помощью глубокого обучения и обработки сигналов. В частности, пример использует сети Long Short-Term Memory и частотно-временной анализ.

Скрипт Open Live Script
Classify Time Series Using Wavelet Analysis and Deep Learning

Классифицируйте временные ряды Используя анализ вейвлета и глубокое обучение

Классифицируйте человеческую электрокардиограмму (ECG) сигналы с помощью непрерывного вейвлета преобразовывает (CWT) и глубокой сверточной нейронной сети (CNN).

Скрипт Open Live Script
Generate Synthetic Signals Using Conditional GAN

Сгенерируйте синтетические сигналы Используя условный GAN

Используйте условную порождающую соперничающую сеть, чтобы произвести синтетические данные для обучения модели.

Скрипт Open Live Script
Learn Pre-Emphasis Filter Using Deep Learning

Изучите фильтр перед акцентом Используя глубокое обучение

Используйте сверточную глубокую сеть, чтобы изучить фильтр перед акцентом для распознавания речи.

Скрипт Open Live Script
Denoise EEG Signals Using Deep Learning Regression

Сигналы Denoise EEG Используя регрессию глубокого обучения

Удалите шум EOG из сигналов EEG с помощью регрессии глубокого обучения.

Скрипт Open Live Script
Hand Gesture Classification Using Radar Signals and Deep Learning

Ручная классификация жестов Используя радарные сигналы и глубокое обучение

Классифицируйте ультраширокополосные импульсные радарные данные сигнала с помощью сверточной нейронной сети MISO.

Скрипт Open Live Script
Parasite Classification Using Wavelet Scattering and Deep Learning

Паразитная классификация Используя рассеивание вейвлета и глубокое обучение

Классифицируйте паразитарные инфекции с помощью рассеивания вейвлета изображений и глубокого обучения.

Скрипт Open Live Script
Fault Detection Using Wavelet Scattering and Recurrent Deep Networks

Обнаружение отказа Используя рассеивание вейвлета и текущие глубокие сети

Классифицируйте отказы на акустические записи воздушных компрессоров с помощью сети рассеивания вейвлета, соединенной с рекуррентной нейронной сетью.

Скрипт Open Live Script
Anomaly Detection Using Autoencoder and Wavelets

Обнаружение аномалии Используя автоэнкодер и вейвлеты

Используйте извлеченные из вейвлета функции и автоэнкодер, чтобы обнаружить сигналы дуги в системе DC.

Скрипт Open Live Script

Документация Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте