KI für Signale und Bilder
Wavelet-Techniken eignen sich gut für das Abrufen spärlicher, komprimierter Datendarstellungen oder -Merkmale zur Verwendung in Machine-Learning- und Deep-Learning-Workflows. Wavelet Toolbox™ unterstützt die Bereitstellung von Multiscale-Merkmal-Extraktionsalgorithmen über MATLAB® Coder™ und GPU Coder™ für eine Reihe von Zielen. Um die Leistungsvorteile einer modernen Grafikkarte (GPU) zu nutzen, können bestimmte Wavelet Toolbox-Funktionen Operationen auf einer Grafikkarte durchführen. Diese Funktionen bieten GPU-Beschleunigung für Ihre Workflows. Wavelet Toolbox umfasst zudem Funktionen für die Signalkennzeichnung.
Hervorgehobene Themen
Kategorien
- Arbeiten mit Signalen
Multiresolutionsanalyse, gemeinsame Zeit-Frequenz-Streuung, Wavelet-Zeitstreuung, kontinuierliche Wavelet-Transformation, nicht dezimierte diskrete Wavelet-Transformation, Wigner-Ville-Verteilung, mel spectrogram
- Arbeiten mit Bildern
Wavelet-Bildstreuung, kontinuierliche 2D-Wavelet-Transformation, Shearlets, stationäre Wavelet-Transformation
- GPU-Beschleunigung
Merkmalsextraktion auf Grafikkarten für Machine-Learning- und Deep-Learning-Workflows
- Hardwarebereitstellung
C/C++ Codegenerierung, GPU-Codegenerierung, Raspberry Pi®, NVIDIA® Jetson®
Verwandte Informationen
- Data Sets for Signal Processing (Signal Processing Toolbox)
- Manage Data Sets for Machine Learning and Deep Learning Workflows (Signal Processing Toolbox)
- Modellinterpretation in MATLAB
- Wavelets verstehen, Teil 5: Machine Learning und Deep Learning mit Wavelet-Scattering
Enthaltene Beispiele
Acoustic Scene Classification with Wavelet Scattering
Use wavelet scattering and joint time-frequency scattering with a support vector machine to classify urban environments by sound.
Anomaly Detection Using Convolutional Autoencoder with Wavelet Scattering Sequences
Detect anomalies in acoustic data using wavelet scattering with the
deepSignalAnomalyDetector object.
Classify Time Series Using Wavelet Analysis and Deep Learning
Classify electrocardiogram data using deep learning and the continuous wavelet transform.
Detect Anomalies Using Wavelet Scattering with Autoencoders
Learn how to develop an alert system for predictive maintenance using wavelet scattering and deep learning.
Human Health Monitoring Using Continuous Wave Radar and Deep Learning
Reconstruct electrocardiogram signals using a bidirectional long short-term memory network and wavelet multiresolution analysis.
Musical Instrument Classification with Joint Time-Frequency Scattering
Classify musical instruments using joint time-frequency features paired with a 3-D convolutional network.
Signal Recovery with Differentiable Scalograms and Spectrograms
Use differentiable time-frequency transforms and gradient descent to recover a time-domain signal without the need for phase information.
Time-Frequency Convolutional Network for EEG Data Classification
Classify electroencephalographic (EEG) time series from persons with and without epilepsy.
Time-Frequency Feature Embedding with Deep Metric Learning
Construct wavelet-based feature embeddings to classify EEG signals from persons with and without epilepsy.
