使用深度学习和连续小波变换来分类心跳心电图数据。

利用小波时间散射和支持向量机分类器对心电图进行分类。金宝app在小波散射中，数据通过一系列的小波变换、非线性和平均得到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，而不牺牲类别的可鉴别性。要运行这个示例，您必须拥有小波工具箱™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。在这个例子中，你可以找到一种深度学习的方法来分类问题，使用小波分析和深度学习分类时间序列，以及在这个例子中使用基于小波特征和支持向量机的机器学习方法信号分类。金宝app

使用小波时间散射和音频数据存储对音乐摘录的类型进行分类。在小波散射中，数据通过一系列小波变换，非线性和平均传播，以产生数据的低方差表示。然后将这些低方差表示作为分类器的输入。

利用小波时间散射和支持向量机分类器对人心音图(PCG)录音进行分类。金宝app心音图是心脏收缩期和舒张期所产生声音的声学记录。心脏听诊在评估心脏健康方面继续发挥着重要的诊断作用。不幸的是，世界许多地区缺乏足够数量的经过心音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分类语音数字。在本例中，您使用支持向量机(SVM)和长短时记忆(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网络的准确性。此外，该例子还说明了一种使用深度卷积神经网络(CNN)和mel-frequency谱图的方法。

使用GPUArray加速对小波散射特征的计算。您必须具有并行计算工具箱™和支持的GPU。金宝app有关详细信息，请金宝app参阅GPU支持。此示例使用NVIDIA Titan V GPU，具有计算能力7.0。

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（SVM）分类器来分类人心电图（ECG）信号。金宝app通过将原始ECG信号转换为在聚集体中用于区分不同类的更小的特征来简化信号分类的问题。您必须具有小波Toolbox™，信号处理工具箱™和统计和机器学习工具箱™来运行此示例。本例中使用的数据可从PhysioMet公开使用。

使用小波图像散射对纹理进行分类。除了Wavelet Toolbox™之外，该示例还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™。

使用机器和深度学习方法分类雷达返回。

使用Wigner-Ville分布（WVD）和深卷积神经网络（CNN）分类雷达和通信波形。

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。

利用连续小波变换(CWT)和深度卷积神经网络(CNN)对人的心电图(ECG)信号进行分类的工作流程。本示例还提供了如何生成和部署代码和CNN用于树莓派目标(基于ARM®的设备)的预测的信息。

使用小波和深度学习技术来检测横向路面裂缝并本地化其位置。该示例演示使用小波散射序列作为所喷射的经常性单元（GU）和1-D卷积网络的输入，以基于裂缝的存在或不存在对时间序列进行分类。数据是从安装在前乘客座椅轮的悬架转向节上的传感器获得的垂直加速度测量。早期识别开发横向裂缝对于路面性能评估和维护很重要。可靠的自动检测方法可以更频繁和广泛的监控。

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。

演示如何使用强大的信号处理技术和卷积神经网络一起分类心电信号。我们还将展示如何CUDA®代码可以从Simulink®模型生成。金宝app这个例子使用预先训练的CNN网络使用小波分析和深度学习分类时间序列小波工具箱™的示例基于时间序列数据的CWT的图像对ECG信号进行分类。有关培训的信息，请参阅使用小波分析和深度学习的分类时间序列。

生成并部署一个CUDA®可执行文件，使用连续小波变换(CWT)提取的特征和预先训练的卷积神经网络(CNN)执行调制分类。