利用GPU进行功能提取，以减少培训音频深度学习模型所需的时间。

演示了在Raspberry Pi™上使用双向长短期记忆(BiLSTM)网络和mel频率倒谱系数(MFCC)特征提取来识别关键字的代码生成。MATLAB®Coder™与深度学习支持，使生成一个独立的可执行文件金宝app(.elf)树莓派。MATLAB®(.mlx)文件与生成的可执行文件之间的通信通过异步用户数据报协议(UDP)进行。输入的语音信号是用时间显示器显示的。一个掩码显示为一个围绕关键字YES的被标记实例的蓝色矩形。有关MFCC功能提取和深度学习网络培训的更多详细信息，请使用MFCC和LSTM网络访问噪声中的关键字。

使用双向长期内存（BILSTM）网络和MEL频率谱系齐系数（MFCC）特征提取来演示用于关键字斑点的代码生成。具有深度学习支持的Matlab®Coder™可以生成独立的可执行文件金宝app（.exe）文件。Matlab®（.mlx）文件和生成的可执行文件之间的通信通过异步用户数据报协议（UDP）发生。输入的语音信号是用时间显示器显示的。一个掩码显示为一个围绕关键字YES的被标记实例的蓝色矩形。有关MFCC功能提取和深度学习网络培训的更多详细信息，请使用MFCC和LSTM网络访问噪声中的关键字。

在Intel®处理器上部署特征提取和卷积神经网络(CNN)用于语音命令识别。要生成特征提取和网络代码，您可以使用MATLAB编码器和英特尔深度神经网络数学内核库(MKL-DNN)。在本例中，生成的代码是一个MATLAB可执行(MEX)函数，由一个MATLAB脚本调用，该脚本显示预测的语音命令以及时域信号和听觉谱图。有关音频预处理和网络训练的详细信息，请参见使用深度学习的语音命令识别。

采用特征提取和卷积神经网络(CNN)对Raspberry Pi™进行语音命令识别。为了生成特征提取和网络代码，您使用MATLAB Coder, MATLAB支持包树莓派硬件，和ARM®计算库。金宝app在本例中，生成的代码是Raspberry Pi上的可执行文件，它由一个MATLAB脚本调用，该脚本显示预测的语音命令以及信号和听觉声谱图。MATLAB脚本和树莓派上的可执行文件之间的交互是使用用户数据报协议(UDP)处理的。有关音频预处理和网络训练的详细信息，请参见使用深度学习的语音命令识别。

生成用于基于声学的机器故障识别的MATLAB独立可执行文件。

生成树莓Pi™独立可执行文件，用于基于声学的机器故障识别。