Deep Learning for Signal Processing

Deep Learning für die Signalverarbeitung

Deep Learning bietet neue Möglichkeiten, prädiktive Modelle zur Lösung einer Vielzahl von Signalverarbeitungsanwendungen zu entwickeln. MATLAB^® unterstützt den gesamten Workflow – von den ersten Untersuchungen bis zur Implementierung von Signalverarbeitungssystemen, die auf tiefen neuronalen Netzen aufbauen. Nutzen Sie für den leichten Einstieg spezielle Funktionen für die Signalverarbeitung, wie z. B.

Interaktive Analyse, Vorverarbeitung und Kommentierung von Signalen
Extrahieren von Merkmalen und Transformieren von Signalen für das Training tiefer neuronaler Netze
Erstellung von Deep-Learning-Modellen für reale Anwendungen, einschließlich Biomedizin, Audio, Kommunikation und Radar
Erfassung und Erzeugung von Signaldatensätzen durch Verwendung von Hardware und Simulationen

Sehen Sie, wie MATLAB Ihnen für ein besseres Verständnis die Benutzung von Deep-Learning-Techniken für Signaldaten erleichtert. Hören Sie sich eine kurze Zusammenfassung der speziellen Funktionen in MATLAB an, mithilfe derer Sie intelligente Signalverarbeitungssysteme dank Deep Learning gestalten können.

3:33

Deep Learning für Signale

„Ich glaube nicht, dass MATLAB in der Signalverarbeitung und Wavelet-Analyse starke Konkurrenten hat. Hinzu kommen die Funktionen für Statistik und Machine Learning. Daher ist es leicht zu verstehen, warum Nicht-Programmierer MATLAB gerne verwenden, insbesondere für Projekte, die eine Kombination all dieser Methoden erfordern.“
Ali Bahrami Rad, Aalto University

Kostenloses White Paper
Deep Learning für die Signalverarbeitung mit MATLAB

Jetzt downloaden

Kennzeichnung von Signalen und Datensatzverwaltung

Mit MATLAB können Sie integrierte Apps und domänenspezifische Tools verwenden, um Ihre Signaldaten vorzubereiten. Dazu gehören Aufgaben wie das Labeling und die Verwaltung großer Mengen von Signaldaten, die zu groß für den Speicher sind.

Weitere Informationen

Kennzeichnung von Signalen - Beispiel
Kennzeichnen von Audio mit Audio Labeler - Beispiel
Importieren von Daten mit Datastore - Beispiel
Wellenform-Segmentierung mit Deep Learning - Beispiel

Zeit-Frequenz-Transformationen

Zeit-Frequenz-Darstellungen beschreiben, wie sich spektrale Anteile in einem Signal im Zeitverlauf entwickeln. Sie können Deep-Learning-Netze trainieren, die in den Zeit-Frequenz-Darstellungen Muster identifizieren und diese extrahieren können. Außerdem haben Sie die Wahl unter zahlreichen Techniken, die Zeit-Frequenz-Darstellungen für Signale erzeugen können, einschließlich Spektrogramm, Mel-Frequenz-Spektrogramm, Wigner-Ville und kontinuierliche Wavelet-Transformation (oder Skalogramme).

Weitere Informationen

Radarklassifikation mit Wigner-Ville und AlexNet - Beispiel
Radarzielklassifikation mit Skalogrammen und CNN/LSTM - Beispiel
Trennung von Sprechern auf einer Cocktailparty mit Deep-Learning-Netzwerken - Beispiel
Erkennung von Sprachbefehlen mit Deep Learning - Beispiel

Vorverarbeitung und Merkmalsextraktion

Die Signalvorverarbeitung ist ein entscheidender Schritt zur Verbesserung der allgemeinen Signalqualität. Sie können integrierte Funktionen und Apps verwenden, um Signale zu bereinigen und unerwünschte Artefakte zu entfernen, bevor Sie ein tiefes neuronales Netz trainieren. Außerdem können Sie standardmäßige und domänenspezifische Merkmale aus Signalen extrahieren, um für das Training von Deep-Learning-Modellen die Dimensionalität der Daten zu reduzieren. Sie können auch Techniken für die automatische Merkmalsextraktion verwenden, wie z. B. die Wavelet-Streuung, um Merkmale mit niedriger Varianz aus Signalen zu erhalten und tiefe neuronale Netze zu trainieren.

Weitere Informationen

Klassifikation von EKG-Signalen mit LSTM-Netzen (Long Short-Term Memory) - Beispiel
Automatisieren der Merkmalsextraktion mithilfe der Wavelet-Zeitstreuung - Beispiel
Klassifikation nach Geschlecht mit LSTM-Netzen (Long Short-Term Memory) - Beispiel
Rauschentfernung bei Sprache mit Deep-Learning-Netzwerken - Beispiel

Erzeugung und Erfassung von Signalen

Für Training und Validierung von Deep-Learning-Modellen werden meist große Datenmengen benötigt. In bestimmten Situationen kann die Verfügbarkeit von Daten der begrenzende Faktor für die Einführung von Deep-Learning-Techniken sein. Mit MATLAB und anderen Add-Ons für Signalverarbeitungsanwendungen können Sie synthetische Daten simulieren, die realen Szenarien sehr nahe kommen, und Modelle mit Hilfe von Deep-Learning-Techniken entwickeln. Sie können MATLAB mit externer Hardware verbinden, um reale Signale zu erfassen und damit Ihre trainierten Modelle durch frühe Prototypen zu validieren.

Weitere Informationen

Audio-Konnektivität und Erzeugung von Audio-Wellenformen - Beispiel
Modulationsklassifikation mit Deep Learning - Beispiel

Design, Training und Bereitstellung von Netzen

Entwickeln Sie interaktiv Netze, beschleunigen Sie das Training mithilfe von NVIDIA^®-GPUs und erzielen Sie auf diese Weise schneller gute Ergebnisse.

Design

Importieren Sie vortrainierte Modelle mit ONNX™, und verwenden Sie dann die Deep Network Designer-App, um Ebenen hinzuzufügen, zu entfernen oder neu anzuordnen.

Training

Unabhängig davon, ob Sie eine GPU, mehrere GPUs, GPUs in der Cloud oder NVIDIA DGX verwenden, unterstützt MATLAB das Training auch auf mehreren GPUs mit einer einzigen Codezeile.

Bereitstellung

Stellen Sie Deep-Learning-Modelle überall bereit. Generieren Sie automatisch Code zur nativen Ausführung auf ARM^® und Intel^® MKL-DNN. Importieren Sie Ihre Deep-Learning-Modelle und generieren Sie CUDA^®-Code für TensorRT- und CuDNNN-Bibliotheken.