Main Content

Die Übersetzung dieser Seite ist veraltet. Klicken Sie hier, um die neueste Version auf Englisch zu sehen.

Arbeiten mit Signalen

Multiauflösungs-Analyse, Wavelet-Time-Scattering, kontinuierliche Wavelet-Transformation, nicht dezimierte diskrete Wavelet-Transformation, Wigner-Ville-Verteilung, mel spectrogram

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.

Apps

Signal LabelerLabel signal attributes, regions, and points of interest, and extract features

Funktionen

alle erweitern

cwtLayerContinuous wavelet transform layer (Seit R2022b)
modwtLayerMaximal overlap discrete wavelet transform layer (Seit R2022b)
stftLayerShort-time Fourier transform layer (Seit R2021b)
array2cwtfiltersConvert deep-learning CWT filter tensor to filter bank matrix (Seit R2022b)
cwtfilterbankContinuous wavelet transform filter bank
cwtfilters2arrayConvert CWT filter bank to reduced-weight tensor for deep learning (Seit R2022b)
dlcwtDeep learning continuous wavelet transform (Seit R2022b)
dlmodwtDeep learning maximal overlap discrete wavelet transform and multiresolution analysis (Seit R2022a)
dlstftDeep learning short-time Fourier transform (Seit R2021a)
lwt1-D lifting wavelet transform (Seit R2021a)
melSpectrogramMel spectrogram
modwptMaximal overlap discrete wavelet packet transform
modwtMaximal overlap discrete wavelet transform
waveletScatteringWavelet time scattering
wentropyWavelet entropy
wvdWigner-Ville distribution and smoothed pseudo Wigner-Ville distribution
audioDatastoreDatastore for collection of audio files
augmentedImageDatastoreTransformieren von Stapeln zur Bilddatenerweiterung
imageDatastoreDatastore for image data
signalDatastoreDatastore for collection of signals (Seit R2020a)
labeledSignalSetCreate labeled signal set
signalLabelDefinitionCreate signal label definition

Themen

Enthaltene Beispiele