AI per i segnali e immagini
Le tecniche wavelet sono efficaci per ottenere rappresentazioni o feature sparse e compressive dei dati che è possibile utilizzare nei workflow di Machine Learning e Deep Learning. Wavelet Toolbox™ supporta la distribuzione di algoritmi di estrazione di feature multiscala tramite MATLAB® Coder™ e GPU Coder™ per una serie di destinazioni. Per sfruttare i vantaggi in termini di prestazioni offerti da una moderna unità di elaborazione grafica (GPU), alcune funzioni Wavelet Toolbox possono eseguire operazioni sulla GPU. Queste funzioni offrono un'accelerazione GPU per i workflow. Wavelet Toolbox fornisce anche funzionalità per l'etichettatura dei segnali.
Argomenti evidenziati
Categorie
- Elaborazione dei segnali
Analisi multirisoluzione, scattering congiunto tempo-frequenza, scattering wavelet temporale, trasformata wavelet continua, trasformata wavelet discreta decimata, trasformata wavelet discreta non decimata, distribuzione di Wigner-Ville, spettrogramma Mel
- Elaborazione delle immagini
Scattering wavelet delle immagini, trasformata wavelet continua bidimensionale, shearlet, trasformata wavelet stazionaria
- Accelerazione GPU
Estrazione delle feature su GPU per workflow di Machine Learning e Deep Learning
- Distribuzione dell'hardware
Generazione di codice C/C++, generazione di codice GPU, Raspberry Pi®, NVIDIA® Jetson®
Informazioni complementari
- Data Sets for Signal Processing (Signal Processing Toolbox)
- Manage Data Sets for Machine Learning and Deep Learning Workflows (Signal Processing Toolbox)
- Model Interpretability in MATLAB
- Understanding Wavelets, Part 5: Machine Learning and Deep Learning with Wavelet Scattering
Esempi in primo piano
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.
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.
Detect Anomalies Using Wavelet Scattering with Autoencoders
Learn how to develop an alert system for predictive maintenance using wavelet scattering and deep learning.
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 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.
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.
