cwtLayer

创建一个类层的信号长度2000个样本。学习速率因子设置为1。

粘土= cwtLayer (SignalLength = 2000, WeightLearnRateFactor = 1);

创建一个三层dlnetwork类包含一个序列输入层,图层,和一个二维最大池层。

sqLayer = sequenceInputLayer (Name =“输入”,最小长度= 2000);媒体播放器= maxPooling2dLayer(25[2],跨步= 12 [2]);层= [sqLayer粘土媒体播放器);dlnet = dlnetwork(层);

运行一个批10个随机单通道信号通过dlnetwork。

dataout =前进(dlnet,…dlarray (randn (1, 2000,“单身”),“认知行为治疗”));大小(dataout)

ans =1×440 1 165

dim (dataout)

ans = ' SCBT '

加载Espiga3脑电图数据集。脑电图采样的数据由23频道在200赫兹。有995个样本在每个通道。保存multisignal作为dlarray,指定的尺寸。dlarray排列的阵列尺寸“认知行为治疗”所期望塑造一个深度学习网络。

负载Espiga3(N, nch) = (Espiga3)大小;x = dlarray (Espiga3“TCB”);谁Espiga3x

类属性名称大小字节Espiga3 995 x 23 x1x995 183110 dlarray x23 183080双

创建一个适合的CWT过滤器银行渠道的数据集。使用默认分析莫尔斯(60)小波。指定周期性边界条件。使用滤波器组获得的类的一个渠道。类是一个二维矩阵。行维度对应于规模,或频率,列维度对应时间。

fb = cwtfilterbank (SignalLength = N,边界=“周期”);colInd = 11;cfs = wt (fb, Espiga3 (:, colInd));

粘土= cwtLayer (SignalLength = N);

杀手= sequenceInputLayer (nch最小长度= N);层=(杀手粘土);dlnet = dlnetwork(层);

向前dataout = (dlnet x);

q = extractdata (dataout);q =排列(q, [1 4 2 3]);谁问慢性疲劳综合症

类属性名称大小字节cfs 71 x995 1130320双复杂问71 x995x23 6499340单身

r = q (:,:, colInd);d = max (abs (r (:) abs (cfs (:))));str = sprintf (“区别:% g”d);流(“% s \ n”str)

区别:8.86966 e-06

次要情节(2,1,1)显示亮度图像(r)标题(“层输出”次要情节(2,1,2)显示亮度图像(abs (cfs))标题(“滤波器组输出”)

clayer2 = cwtLayer (SignalLength = N, TransformMode =“realimag”);layers2 =[杀手clayer2];dlnet2 = dlnetwork (layers2);向前dataout2 = (dlnet2 x);

q2 = extractdata (dataout2);q2 =排列(q2, [1 4 2 3]);谁第二季

类属性名称大小字节71年第二季度x995x46 12998680单

colInd = 23;cfs = wt (fb, Espiga3 (:, colInd));r = q2 (:,: [colInd nch + colInd]);a1 =实际(cfs);a2 = r (:,: 1);str1 = sprintf (“差(实部):% g”马克斯(abs (a1 (:) a2 (:))));a1 =图像放大(cfs);a2 = r (:: 2);str2 = sprintf (“差(图像放大部分):% g”马克斯(abs (a1 (:) a2 (:))));流(“% s \ n % s \ n”、str1 str2)

差异(实部):7.102 e-05差异(图像放大部分):6.94453 e-05

图次要情节(2 2 1)显示亮度图像(真实(cfs))标题(“过滤器”银行——真正的次要情节(2,2,2)显示亮度图像(r(:,: 1))标题(“层——真正的“次要情节(2,2,3)显示亮度图像(图像放大(cfs))标题(“过滤器”银行——图像放大次要情节(2,2,4)显示亮度图像(r(:,: 2))标题(“层-图像放大”)

创建一个类层使用默认值。默认情况下,类层是信号长度的1024个样本。层使用分析莫尔斯(60)的小波变换与10每八度的声音和周期性边界条件。检查默认频率限制的层。频率限制,在单位的周期/样本,基于小波的能量传播,信号长度,每八度的声音。

粘土= cwtLayer;clayer.FrequencyLimits

ans =1×20.0032 - 0.4341

使用filterbank层的方法来获得全重CWT滤波器组的层。每行包含一个过滤器的值。过滤器是下令从高中心频率低。

psif = filterbank(粘土);谁psif

类属性名称大小字节psif 71 x1024 290816单

您可以确定通过创建一个中心频率cwtfilterbank对象,指定类中使用的相同的小波参数的层,然后使用centerFrequencies对象的功能。

创建一个cwtfilterbank。默认的小波参数的CWT层完全相同。获得中心频率。的频率从高到低是有序的。情节的中心频率。

fb = cwtfilterbank;cf = centerFrequencies (fb);次要情节(2,1,1)情节(cf) ylabel (“周期/样本”)标题(“小波中心频率”网格)在次要情节(2,1,2)semilogy (cf)网格在ylabel (“周期/样本”)标题(“半对数的规模”)

情节表明小波中心频率并不像通常的线性间隔的情况下与其他过滤器银行。具体来说,中心频率指数下降。在连续小波分析,小波滤波器的中心频率是对数间隔。最常见的间隔是2 ^ (1 /NV),NV是声音的数量每倍频程,提高到整数的权力。换句话说,在CWT滤波器组,它是不可能连续的中心频率 $$f_1$$和 $$f_2$$,在那里 $$f_1<f_2$$,以满足 $${\mathrm{日志}}_2(f_2/f_1)<1/NV$$。CWT层中的频率限制您指定必须满足 $${\mathrm{日志}}_2(f_2/f_1)\ge 1/NV$$。

CWT层使用10每八度的声音。连续计算以2为底的对数的比值对中心频率。确认结果的最大和最小值都等于1/10。

cfRatio = log2 (cf (1: end-1)。/ cf(2:结束);(最小(cfRatio)最大(cfRatio))

ans =1×20.1000 - 0.1000

情节毛重CWT过滤器银行和中心频率。中心频率的峰值对应的频率响应每个小波滤波器组。

slen = clayer.SignalLength;f = 0:1 / slen: 1 - 1 / slen;图绘制(f, psif”) xlim(1/2[0])包含(“周期/样本”)ylabel (“级”)标题(“全力过滤器银行”,“与中心频率”)举行在情节(cf, 2 *(大小(psif, 1), 1),“软”)举行从

如果您创建的CWT层不支持你的频率限制,试着增加声音的数量每八度层。金宝app有关更多信息,请参见实际使用连续小波变换时频分析的介绍和连续和离散小波变换。

这个例子展示了如何重置默认值的极限频率改变后的小波cwtLayer在深层网络设计师。

假设您正在编辑一个深度学习网络使用深层网络设计师。网络上有一个cwtLayer使用莫尔斯波,频率限制[0.1,0.3]。

使用下拉列表来改变小波来埃莫。不改变频率限制,但是权重的数量变化。

改变频率限制合适的默认值埃莫小波,先做以下之一:

然后单击鼠标外FrequencyLimits编辑字段移动焦点。应用程序会自动填充FrequencyLimits使用默认值埃莫小波。权重的数量也在改变以反映新的限制。

提示:如果你改变频率限制,后来想恢复默认值,遵循相同的步骤。