利用深度学习和连续小波变换对心跳心电图数据进行分类。

使用小波时间散射和支持向量机分类器对人体心电图信号进行分类。金宝app在小波散射中，数据通过一系列小波变换、非线性和平均来产生时间序列的低方差表示。小波时间散射产生的信号表示对输入信号的移位不敏感，而不牺牲类的可辨别性。要运行此示例，必须有小波工具箱™和统计和机器学习工具箱™。本例中使用的数据可以从PhysioNet公开获得。您可以在这个示例中找到一种深度学习方法来解决这个分类问题，在这个示例中使用小波分析和深度学习对时间序列进行分类，在这个示例中使用基于小波特征和支持向量机的信号分类使用机器学习方法。金宝app

使用小波时间散射和音频数据存储对音乐节录的类型进行分类。在小波散射中，数据通过一系列小波变换、非线性和平均来产生数据的低方差表示。然后将这些低方差表示用作分类器的输入。

加速计算小波散射特征使用gpuArray和一个并行的“深度优先”版本的小波时间散射。您必须拥有支持cuda的NVIDIA GPU，其计算能力为3.0或更高。详细信息请参见G金宝appPU支持版本。

使用小波时间散射和支持向量机分类器对人类心音图(PCG)记录进行分类。金宝app心音图是心脏收缩期和舒张期声音的录音。心脏听诊在评估心脏健康方面继续发挥重要的诊断作用。不幸的是，世界上许多地区缺乏足够数量的接受过心脏听诊培训的医务人员。因此，有必要开发可靠的自动解释心音图数据的方法。

使用机器和深度学习技术进行语音数字。在该示例中，使用使用支持向量机（SVM）和长短期存储器（LSTM）网络来执行使用小波时间散射进行分类。金宝app您还应用贝叶斯优化来确定合适的超参数，以提高LSTM网络的准确性。另外，该示例说明了使用深卷积神经网络（CNN）和熔融频谱图的方法。

加速计算小波散射特征使用gpuArray和一个并行的“深度优先”版本的小波时间散射。您必须拥有支持cuda的NVIDIA GPU，其计算能力为3.0或更高。详细信息请参见G金宝appPU支持版本。本例使用的是具有6.1计算能力的NVIDIA Titan XP GPU。

为声学场景识别创建多模型后期融合系统。该示例用MEL谱图和使用小波散射的集合分类器列举卷积神经网络（CNN）。该示例使用TUT数据集进行培训和评估[1]。

使用基于小波的特征提取和支持向量机分类器对人体心电图信号进行分类。金宝app将原始心电信号转换为更小的特征集，这些特征集用于区分不同的类别，从而简化了信号分类问题。您必须有小波工具箱™，信号处理工具箱™，统计学和机器学习工具箱™才能运行此示例。本例中使用的数据可以从PhysioNet公开获得。

使用小波图像散射分类纹理。除了小波工具箱™，这个例子还需要并行计算工具箱™和图像处理工具箱™。

使用小波散射进行图像分类。此示例要求小波工具箱™，深度学习工具箱™和并行计算工具箱™。

用机器和深度学习方法分类雷达返回。机器学习方法使用小波散射特征提取和支持向量机。金宝app此外，本文还介绍了两种深度学习方法:使用SqueezeNet的迁移学习和长短期记忆(LSTM)递归神经网络。注意，本示例中使用的数据集不需要高级技术，但描述了工作流，因为这些技术可以扩展到更复杂的问题。

使用Wigner-Ville分布(WVD)和深度卷积神经网络(CNN)对生成的合成数据的雷达波形类型进行分类。

使用GPU加速缩放计算。计算的缩放照片用作ECG和口头分类的深度卷积神经网络（CNN）的输入特征。

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。这个例子还提供了如何在树莓派目标(基于ARM®的设备)上生成和部署预测代码和CNN的信息。

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。

生成和部署CUDA®可执行文件，该可执行文件使用由连续小波变换（CWT）和预磨料的卷积神经网络（CNN）提取的特征来分类人心电图（ECG）信号。