深度学习网络作为一种非常有用的图像分类技术而获得了声誉，但它们给信号数据带来了什么价值呢?
无论是音频还是传感器数据，深度学习网络，比如卷积神经网络(cnn)，可以做数学模型能做的所有事情，而不需要你是信号处理专家。
正确应用，深度学习网络使信号处理任务更快，更高效，更准确。
阅读本白皮书以查看一些深入学习基础，见深度学习可以为信号处理应用程序增加值的三个示例：
- 使用CNN对语音音频文件进行分类
- 使用长短期内存（LSTM）网络预测剩余的使用寿命（RUL）
- 与完全连接的神经网络的言论语音
深度学习网络作为一种非常有用的图像分类技术而获得了声誉，但它们给信号数据带来了什么价值呢?
无论是音频还是传感器数据，深度学习网络，比如卷积神经网络(cnn)，可以做数学模型能做的所有事情，而不需要你是信号处理专家。
正确应用，深度学习网络使信号处理任务更快，更高效，更准确。
阅读本白皮书以查看一些深入学习基础，见深度学习可以为信号处理应用程序增加值的三个示例：
您还可以从以下列表中选择一个网站：