深層学習と連続ウェーブレット変換を使用して,心拍心電図のデータを分類します。

この例では,ウェーブレット時間散乱とサポートベクターマシン(SVM)分類器を使用して人間の心電図(ECG)信号を分類する方法を示します。ウェーブレット散乱で,データは,時系列の低分散表現を作成するために一連のウェーブレット変換,非線形性,および平均化全体に伝播されます。ウェーブレット時間散乱によって,クラス判別性を犠牲にすることなく入力信号へのシフトに影響しない信号表現が得られます。この例を実行するには,小波工具箱™および统计和机器学习工具箱™が必要です。この例で使用されているデータは,生理网から公的に入手可能です。この例のこの分類問題に対する深層学習方法ウェーブレット解析と深層学習を使用した時系列の分類とこの例の機械学習方法ウェーブレットベースの特徴とサポートベクターマシンを使用した信号分類を参照してください。

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。

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对语音数字进行分类。在本例中，使用支持向量机(SVM)和长短期记忆(LSTM)网络使用小波时间散射进行分类。金宝app您还可以应用贝叶斯优化来确定合适的超参数，以提高LSTM网络的精度。此外，该示例说明了一种使用深度卷积神经网络(CNN)和梅尔频率谱图的方法。

加速小波散射特征的计算gpuArray(并行计算工具箱)。您必须有并行计算工具箱™和支持的GPU。金宝app详情请参见GPU金宝app支持版本(并行计算工具箱)。这个例子使用了NVIDIA Titan V GPU的计算能力7.0。如果您希望比较GPU和CPU的性能，示例中计算散射变换的部分提供了使用GPU或CPU的选项。

建立多模型声场景识别后期融合系统。这个例子训练卷积神经网络(CNN)使用mel谱图和集成分类器使用小波散射。该示例使用TUT数据集进行训练和评估[1]。

この例では,ウェーブレットベースの特徴抽出とサポートベクターマシン(SVM)分類器を使用して人間の心電図(ECG)信号を分類する方法を示します。生の心电图信号を,異なるクラスを集計的に区別するのに役立つはるかに小さい特徴のセットに変換することで,信号分類の問題が単純化されます。この例を実行するには,小波工具箱™,信号处理工具箱™,统计和机器学习工具箱™が必要です。この例で使用されているデータは,生理网から公的に入手可能です。

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™。

利用小波散射进行图像分类。这个例子需要小波工具箱™，深度学习工具箱™和并行计算工具箱™。

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。

使用gpu加速标量图计算。将计算得到的尺度图作为深度卷积神经网络(CNN)的输入特征，用于心电和语音分类。

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。