Arbeiten mit Signalen

Mit Wavelet-Scattering können Sie Datendarstellungen mit niedriger Varianz erstellen, die die Differenzen innerhalb einer Klasse minimiert und zugleich die Unterscheidbarkeit zwischen Klassen bewahrt. Wavelet-Scattering erfordert nur wenige benutzerdefinierte Parameter, um kompakte Datendarstellungen zu erzeugen, die gegenüber Zeitverschiebungen auf einer von Ihnen definierten Skala robust sind. Sie können diese Darstellungen in Kombination mit Machine-Learning-Algorithmen für die Klassifizierung und Regression verwenden.

Mit der kontinuierlichen Wavelet-Transformation (CWT) können Sie 2D-Zeit-Frequenz-Karten von Zeitseriendaten erstellen, die zusammen mit 2D-Faltungsnetzwerken verwendet werden können. Die Generierung von Zeit-Frequenz-Darstellungen zur Verwendung mit Deep CNNs ist ein leistungsfähiger Ansatz für die Signalklassifizierung. Die Fähigkeit einer CWT zur simultanen Erfassung von Steady-State-Verhalten und vorübergehendem Verhalten in Zeitseriendaten macht die Wavelet-basierte Zeit-Frequenz-Darstellung in Kombination mit Deep CNNs besonders robust. In einem Deep-Learning-Netzwerk können Sie zudem die MODWT (Maximal Overlap Discrete Wavelet Transform) und MRA (MODWT Multiresolution Analysis) berechnen.

Mit einer Lizenz für die Signal Processing Toolbox™ können Sie die kurzzeitige Fourier-Transformation in Ihre Machine-Learning- und Deep-Learning-Workflows integrieren. Zudem können Sie mit Signal Labeler (Signal Processing Toolbox) Signale zur Analyse oder zur Verwendung in Machine-Learning- und Deep-Learning-Anwendungen kennzeichnen. Signal Labeler speichert Daten als labeledSignalSet-Objekte. Mit einer Lizenz für Audio Toolbox™ können Sie Import and Play Audio File Data in Signal Labeler (Signal Processing Toolbox). Zudem können Sie melSpectrogram (Audio Toolbox) zur Merkmalsextraktion verwenden.