Arbeiten mit Signalen
Mit der Wavelet-Zeitstreuung können Sie Datendarstellungen mit niedriger Varianz erstellen, die gegenüber Zeitverschiebungen auf einer von Ihnen definierten Skala robust sind. Aufbauend auf der Wavelet-Zeitstreuung können Sie die gemeinsame Zeit-Frequenz-Streuung verwenden, um Darstellungen zu erhalten, die auch gegenüber Frequenzverschiebungen und -verformungen invariant sind. Beide Darstellungen minimieren die Differenzen innerhalb einer Klasse, während die Unterscheidbarkeit zwischen Klassen bewahrt bleibt. Sie können diese Darstellungen in KI-Workflows verwenden.
Mit der kontinuierlichen Wavelet-Transformation (CWT) können Sie 2D-Zeit-Frequenz-Karten von Zeitreihendaten erstellen, die zusammen mit 2D-Faltungsnetzwerken verwendet werden können. Die Generierung von Zeit-Frequenz-Darstellungen zur Verwendung mit tiefen CNNs ist ein leistungsfähiger Ansatz für die Signalklassifizierung. Die Fähigkeit einer CWT zur simultanen Erfassung von stationären Vorgängen und vorübergehendem Verhalten in Zeitreihendaten macht die Wavelet-basierte Zeit-Frequenz-Darstellung in Kombination mit tiefen CNNs besonders fehlerresistent. In einem Deep-Learning-Netzwerk können Sie zudem die CWT und ihre Umkehrung berechnen, sowie die diskrete Wavelet-Transformation mit maximaler Überlappung (MODWT, Maximal Overlap Discrete Wavelet Transform) und die MODWT-Multiresolutionsanalyse (MRA).
Mit einer Signal Processing Toolbox™-Lizenz 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 Audio Toolbox™-Lizenz können Sie Import and Play Audio File Data in Signal Labeler (Signal Processing Toolbox). Zudem können Sie melSpectrogram (Audio Toolbox) zur Merkmalsextraktion verwenden.
Apps
| Signal Labeler | Label signal attributes, regions, and points of interest |
Funktionen
Themen
- Detect Air Compressor Sounds in Simulink Using Wavelet Scattering (DSP System Toolbox)
Use the Wavelet Scattering block and a pretrained deep learning network to classify audio signals.
- Detect Anomalies in ECG Data Using Wavelet Scattering and LSTM Autoencoder in Simulink (DSP System Toolbox)
Use wavelet scattering and deep learning network to detect anomalies in ECG signals.
- Radar and Communications Waveform Classification Using Deep Learning (Phased Array System Toolbox)
Classify radar and communications waveforms using the Wigner-Ville distribution (WVD) and a deep convolutional neural network (CNN).
- Radar Target Classification Using Machine Learning and Deep Learning (Radar Toolbox)
Classify radar returns using machine and deep learning approaches.
Verwandte Informationen
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.
Acoustic Scene Recognition Using Late Fusion
Create a multi-model late fusion system for acoustic scene recognition.
Air Compressor Fault Detection Using Wavelet Scattering
Classify faults in acoustic recordings of air compressors using a wavelet scattering network and a support vector machine.
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.
Crack Identification from Accelerometer Data
Use wavelet and deep learning techniques to detect transverse pavement cracks and localize their position.
Detect Anomalies Using Wavelet Scattering with Autoencoders
Learn how to develop an alert system for predictive maintenance using wavelet scattering and deep learning.
Fault Detection Using Wavelet Scattering and Recurrent Deep Networks
Classify faults in acoustic recordings of air compressors using a wavelet scattering network paired with a recurrent neural network.
GPU Acceleration of Scalograms for Deep Learning
Use your GPU to accelerate feature extraction for ECG and spoken digit classification.
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 Classification Using Wavelet-Based Features and Support Vector Machines
Classify electrocardiogram signals using features derived from wavelets and an autoregressive model.
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.
Spoken Digit Recognition with Wavelet Scattering and Deep Learning
Classify spoken digits using both machine learning and deep learning techniques.
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.
Wavelet Time Scattering Classification of Phonocardiogram Data
Classify human phonocardiogram recordings using wavelet time scattering and a support vector machine classifier.
Wavelet Time Scattering for ECG Signal Classification
Classify human electrocardiogram signals using wavelet time scattering and a support vector machine classifier.
