L'IA per i segnali e le immagini
Le tecniche wavelet sono efficaci per ottenere rappresentazioni dei dati rade e compresse o feature che possono essere utilizzate nei workflow di Machine Learning e Deep Learning. Wavelet Toolbox™ supporta l'implementazione di algoritmi di estrazione di feature multiscala attraverso MATLAB® Coder™ e GPU Coder™ per una serie di target. Per sfruttare i vantaggi offerti da una moderna unità di elaborazione grafica (GPU) in termini di prestazione, alcune funzioni Wavelet Toolbox possono eseguire operazioni su una GPU. Queste funzioni forniscono l'accelerazione della GPU per i workflow. Wavelet Toolbox fornisce inoltre una funzionalità per l'etichettatura del segnale.
Categorie
- Lavorare con i segnali
Analisi multirisoluzione, dispersione temporale wavelet, trasformata wavelet continua, trasformata wavelet discreta non decimata, distribuzione di Wigner-Ville, spettrogramma Mel
- Lavorare con le immagini
Dispersione di immagini wavelet, trasformata wavelet continua bidimensionale, trasformata wavelet stazionaria
- Accelerazione della GPU
Estrazione di feature sulla GPU per i workflow di Machine Learning e Deep Learning
- Implementazione hardware
Generazione di codice C/C++, generazione di codice GPU, Raspberry Pi®, NVIDIA® Jetson®
Informazioni complementari
Esempi in primo piano
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.
Deep Learning Code Generation on ARM for Fault Detection Using Wavelet Scattering and Recurrent Neural Networks
Perform acoustic-based fault detection on a Raspberry Pi using wavelet scattering and recurrent neural networks.
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.
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.
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.
