Deep learning per l’elaborazione di segnali

Il deep learning offre nuove opportunità di sviluppo di modelli predittivi per gestire un’ampia gamma di applicazioni di elaborazione di segnali. MATLAB® supporta l’intero flusso di lavoro, dall’esplorazione all’implementazione per sistemi di elaborazione di segnali basati su reti profonde. Puoi iniziare facilmente con le funzionalità specifiche dell’elaborazione di segnali, tra cui:  

  • Analisi, pre-elaborazione e annotazione di segnali in modo interattivo
  • Estrazione di feature e trasformazione di segnali per l’addestramento di reti neurali profonde
  • Costruzione di modelli di deep learning per applicazioni reali, inclusi i settori biomedico, audio, comunicazioni e radar
  • Acquisizione e creazione di set di dati attraverso la connettività hardware e le simulazioni

“Credo che MATLAB non abbia rivali nel campo dell’elaborazione di segnali e dell’analisi wavelet. Utilizzando le sue funzionalità di statistica e machine learning, è facile capire perché i non programmatori apprezzano MATLAB, soprattutto per i progetti che richiedono una combinazione di tutti questi metodi.

Ali Bahrami Rad, Aalto University

Etichettatura di segnali e gestione di set di dati

Con MATLAB puoi utilizzare applicazioni integrate e strumenti multidominio che ti possono aiutare a preparare i tuoi dati di segnali con attività come l’etichettatura e la gestione di grandi volumi di dati troppo grandi per essere contenuti nella memoria.

Scopri di più

Trasformazioni tempo-frequenza

Le rappresentazioni tempo-frequenza descrivono come il contenuto spettrale di un segnale evolve come una funzione di tempo. Puoi addestrare reti neurali profonde che possono identificare ed estrarre pattern dalle rappresentazioni tempo-frequenza. Inoltre, puoi scegliere tra una varietà di tecniche che possono generare rappresentazioni tempo-frequenza per segnali, compresi spettrogrammi, spettrogrammi di frequenza su scala Mel, Wigner-Ville e trasformate wavelet continue (o scalogrammi).

Scopri di più

Pre-elaborazione ed estrazione di feature

La pre-elaborazione di segnali è un passaggio fondamentale per migliorare la qualità dei segnali. Puoi utilizzare funzioni e applicazioni integrate per pulire i segnali e rimuovere gli artefatti prima di addestrare una rete profonda. Inoltre, puoi estrarre feature standard e specifiche del dominio da segnali per ridurre la dimensionalità dei dati per addestrare modelli di deep learning. Puoi anche utilizzare tecniche di estrazione di feature, come il cosiddetto Wavelet Scattering, per ottenere feature di bassa varianza da segnali e addestrare reti profonde.

Scopri di più

Generazione e acquisizione di segnali

L’addestramento e la validazione dei modelli di deep learning richiede solitamente una grande quantità di dati. In alcune situazioni, la disponibilità di dati può essere il fattore limitante nell’adozione delle tecniche di deep learning. Con MATLAB e altri prodotti aggiuntivi per le applicazioni di elaborazione di segnali, puoi simulare dati sintetici che corrispondono quasi perfettamente a scenari reali e sviluppare modelli utilizzando le tecniche di deep learning. Puoi anche interfacciare MATLAB con hardware esterni per acquisire dati reali allo scopo di validare i tuoi modelli addestrati tramite prototipi in fase iniziale di sviluppo.

Scopri di più

Progettazione, addestramento e distribuzione di reti

Progetta reti in modo interattivo, velocizza l’addestramento utilizzando GPU NVIDIA® e ottieni buoni risultati più velocemente.

Progettazione

Importa modelli pre-addrestrati tramite ONNX™, quindi utilizza l’applicazione Deep Network Designer per aggiungere, rimuovere o ridisporre i layer.

Corsi di formazione

Che tu stia utilizzando una GPU, più GPU, GPU su cloud o NVIDIA DGX, MATLAB supporta l’addestramento di GPU multiple con una sola riga di codice.

Distribuzione

Distribuisci i modelli di deep learning ovunque. Genera codice automaticamente per eseguire in modo nativo su ARM® e Intel® MKL-DNN. Importa i modelli di deep learning e genera codice CUDA®, eseguendo il targeting di librerie CuDNN e TensorRT

Scopri di più