深入学习信号处理应用程序

发布的Johanna Pingel,2019年5月13日

(30天)| 123年视图0喜欢|0评论

我想介绍一下Frantz Bouchereau、开发经理信号处理工具箱谁来深入见解深刻学习信号处理,包括完整的深度学习信号处理应用程序的工作流程。比平常更长的职位,但果酱富含可操作的信息。享受吧!

介绍

今天我们将强调信号处理应用程序使用深度学习技术。深度学习发达国家和发展对于图像处理和计算机视觉的应用程序,但现在越来越成功地用于信号和时间序列数据。深度学习越来越流行在许多行业包括(但不限于)以下方面:

这些应用程序是数据的统一的主题不是照片,而是来自不同类型的传感器的信号像麦克风,电极,雷达、射频接收器,加速度计和振动传感器。大信号数据的收集是让工程师去探索新的和令人兴奋的深度学习应用。

信号处理与图像处理

深度学习通常需要信号数据的预处理、转换、图像处理和特征提取步骤应用程序通常不会。而大型高质量图像数据集可以较低成本创建相机、信号集难以获得,通常会遭受大变化引起的宽带噪声,干扰,非线性趋势、抖动、相位失真,和失踪的样品。

虽然很可能你将能够成功地训练深度模型和大量高质量的原始图像直接输入网络,你可能不会成功做同样的规模有限,低信噪比信号的数据集。

知识与数据

我们并不总是有豪华的大信号数据集。信号可能难以衡量,或应用程序可能不会轻易可见。例如,考虑的情况下预测剩余使用寿命的机器。幸运的是,我们生活在一个时间,大多数机器正常工作,因此故障数据将普遍低于健康数据。

与深度学习信号处理应用程序的成功取决于你的数据集的大小,你的计算能力,对数据有多少知识。你可以想象这下面的图:

更大、更高质量的数据集,您可以越接近能够执行深度学习与原始信号数据。同样的,如果你有更高的计算能力,你将能够培养更多的复杂网络,提高性能。

另一方面,如果你了解你的数据,你可能成功提取关键特性融入到传统的机器学习算法不需要大数据量和深度的网络。这需要更多的信号处理知识,但结果可能是令人印象深刻。

两个极端之间的原始信号数据和制作一个定制的机器学习方法是一些有趣的注意事项:

一个受欢迎的方法是使用时频转换能够使用转移学习pretrained卷积神经网络(CNN)类似于一个图像分类的工作流。(看例子)
预处理信号的另一个原因是,减少变异性增加提取一些特征的突出特性,应用程序问题。(看例子)
另一种方法是使用小波散射自动提取一组低变体的特性,有可能提高学习算法的性能。(看例子)

注意,添加特征提取步骤还提供了其他好处,如减少data-dimensionality可以显著减少培训和处理时间。

在有限的数据集的另一个解决方案是增加他们,或者使用模拟,生成合成信号预处理部分中我们将讨论更多的工作流。

深度学习信号工作流

下图描绘了一个典型的端到端深度学习信号处理应用程序的工作流程。尽管大多数讨论深度学习专注于预测模型的发展,还有其他同样重要的步骤:

接下来我们将穿过每一个步骤,解决当:

你没有足够的数据,或者完全相反的问题:你有很多数据需要标记。
特征提取和信号转换需要领域知识。在领域知识是有限的情况下,参考架构的可用性有助于获得先机,但这样的体系结构是相当有限信号处理中的应用。
训练模型部署到多个平台并非易事,它需要C或GPU代码生成。

我还将突出显示新功能可以使用最新版本。

管理数据

通常情况下,您将需要读取你的信号和标签数据,预处理,变换,并提取特征,然后把它分为训练集和测试集,然后将其提供给一个模型。

下面是具体的工具来管理你的信号数据集:

数据存储:数据存储可以帮助你从文件读取信号数据没有内存耗尽的风险。您可以使用“变换”方法进行预处理的数据存储和读取数据时提取特征。数据存储也把你的数据集分为训练集和测试集。有一些数据存储选择根据你的文件类型:例如,audioDatastore fileDatastore, imageDatastore。

信号标签:监督学习问题需要与地面实况标签数据集。如果您的数据集很大,添加标签可以是一个漫长的过程。信号贴标签机应用,在19日(新),有助于标签信号属性、地区和感兴趣的点。你可以想象和浏览标签。

合成数据生成和增加:当你开始使用数据集来训练一个模型,你会发现你需要更多的数据来提高精度或增加鲁棒性。当记录和标识真实数据是不切实际或不合理,创建合成数据集通过模拟是一种选择。
另一个常见的策略包括生成额外的信号通过应用变化,细微差别,和转换到原始数据集。例如,组成的数据集的一次演讲中说的话,你可以把一个样本的一个词,并改变其音量/频率和持续时间,或者你可以添加的细微差别,如背景噪声有效地把一个数据进入一些新的条目。

微多普勒雷达相控阵系统工具箱提供了功能模型特征的行人(新19),可用于自动驾驶的应用程序。

可视化进行预处理和提取功能

当你试图找出什么类型的预处理和特征提取你需要的信号,一个共同的第一步是可视化和探索多个域的信号。

信号分析仪的应用程序允许您导航信号的时间,频率,和时频域,提取感兴趣的区域,转换数据,探索预处理步骤。

还有其他应用程序,包括:

信号多分辨率分析,分解成time-aligned组件的信号。这允许您选择只有物质和信号组件使用这些训练模型。
信号降噪,(包括小波工具箱)有助于稳定和消除干扰信号。

所有这些应用程序生成MATLAB代码,您可以使用处理整个数据集后,交互地确定正确的方法。

转换和提取特征

虽然应用程序简化开始,用户熟悉信号处理工具箱和小波工具箱会知道我们也有成百上千的命令行启用更先进的工作流功能。我们有时域特征提取工具来找到信号模式,信封和变化点检测信号。

有各种各样的频谱函数测量功率、带宽和谐波。

还有时频变换函数,从连续小波变换、能量和短时傅里叶变换,常用的深度学习应用。你可以选择最适合您的时间和频率分辨率的转换需求。

还有函数提取音频和语音特有的特性,雷达传感器融合和文本分析应用程序,我们将保存为未来。链接signal-specific处理功能可以在这里找到:

小波散射:小波散射网络(新18)是一种深将小波网络与固定权重。这个特征提取器返回低变异特性,可用于与一台机器或深度学习模型产生高度精确的结果与一些参数来调整。小波散射non-signal处理专家是一个很好的选择,因为它会自动提取相关特性而不需要擅长数据的性质。看到小波散射,下面是一些例子:

代码生成

19 a, C代码自动生成有显著的进步对信号处理工作流的支持,包括支持过滤功能,光谱分析,连续小波变换(cwt)。金宝app在19个小波工具箱还添加了GPU代码生成支持类。金宝app信号处理和小波支持功能的完整列表在这里(金宝app信号处理工具箱生成代码的支持金宝app,小波工具箱生成代码的支持金宝app)。新列表的例子最后,看到一列新的例子为深度学习信号处理应用程序可以访问以下页面: