利用深度学习进行信号处理

扩展深度学习工作流程与信号处理应用

将深度学习工具箱™与信号处理工具箱™或小波工具箱™结合使用，将深度学习应用于信号处理。有关音频和语音处理应用程序，请参见使用深度学习的音频处理．有关无线通讯的应用，请参阅使用深度学习的无线通信．

应用程序

标记信号属性、区域和感兴趣的点

功能

`labeledSignalSet`	创建标记信号集
`signalLabelDefinition`	创建信号标签定义
`signalMask`	修改和转换信号掩码，提取感兴趣的信号区域
`countlabels`	清点唯一标签的数量
`folders2labels`	从文件夹名称获取标签列表
`splitlabels`	根据指定的比例查找用于分割标签的索引
`signalDatastore`	用于收集信号的数据存储
`dlstft`	深度学习短时傅里叶变换

主题

使用深度学习的行人和自行车分类

利用时频分析和深度学习网络对行人和骑车人的微多普勒特征进行分类。

基于深度学习的雷达和通信波形分类

这个例子展示了如何使用Wigner-Ville分布(WVD)和深度卷积神经网络(CNN)对雷达和通信波形进行分类。

在树莓派上部署信号分割深度网络

生成一个MEX函数和一个独立的可执行文件，在Raspberry Pi™上执行波形分割。

利用小波分析和深度学习在NVIDIA Jetson上部署信号分类器

这个例子展示了如何生成和部署CUDA®可执行程序，该程序使用连续小波变换(CWT)和预训练卷积神经网络(CNN)提取的特征对人类心电图(ECG)信号进行分类。

利用小波和深度学习在树莓派上部署信号分类器

这个例子展示了使用连续小波变换(CWT)和深度卷积神经网络(CNN)对人体心电图(ECG)信号进行分类的工作流程。

特色的例子

基于深度学习的波形分割

利用循环深度学习网络和时频分析对人体心电图信号进行分割。

打开生活的脚本

利用深度学习网络标记心电信号的QRS复合体和R峰

在Signal Labeler中使用自定义自标记功能来标记心电图信号的QRS复合体和R峰。一个定制函数使用以前训练过的循环深度学习网络来识别和定位QRS复合体。另一个自定义函数使用一个简单的寻峰器来定位R峰。在这个例子中，网络标记两个信号的QRS复合体，这两个信号完全独立于网络训练和测试过程。

打开生活的脚本

利用长、短期记忆网络对心电信号进行分类

使用深度学习和信号处理对来自PhysioNet 2017挑战赛的心跳心电图数据进行分类。特别地，这个例子使用长短期记忆网络和时频分析。

打开生活的脚本

利用小波分析和深度学习对时间序列进行分类

利用连续小波变换(CWT)和深度卷积神经网络(CNN)对人体心电图信号进行分类。

打开生活的脚本

利用条件生成对抗网络生成合成信号

使用条件生成对抗网络生成用于模型训练的合成数据。

打开生活的脚本

利用加速度计数据进行裂纹识别

利用小波和深度学习技术检测路面横向裂缝并定位其位置。该示例演示了使用小波散射序列作为门通循环单元(GRU)的输入和一维卷积网络来根据是否存在裂缝对时间序列进行分类。这些数据是由安装在前乘客座椅车轮悬架关节上的传感器获得的垂直加速度测量数据。路面横向裂缝的早期识别对路面性能评价和养护具有重要意义。可靠的自动检测方法使监测更加频繁和广泛。

打开生活的脚本