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.
Apps
Signal Labeler | Label signal attributes, regions, and points of interest, and extract features |
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. (Seit R2021a)