使用深度学习的信号处理
通过信号处理应用扩展深度学习工作流程
将深度学习与信号处理工具箱™或小波Toolbox™一起使用Deep Learning Toolbox™通过信号处理。对于音频和语音处理应用程序,请参阅使用深度学习的音频处理。有关无线通信中的应用程序,请参见使用深度学习的无线通信。
应用
信号标签 | 标签信号属性,区域和兴趣点,并提取功能 |
功能
标记为信号 |
创建标记的信号集 |
Signallabeldefinition |
创建信号标签定义 |
Signalmask |
修改和转换信号掩模并提取感兴趣的信号区域 |
计数标签 |
计数唯一标签的数量 |
文件夹2个标签 |
获取文件夹名称的标签列表 |
拆分标签 |
根据指定的比例查找索引以拆分标签 |
SignalDatastore |
用于收集信号的数据存储 |
dlstft |
深度学习短期傅立叶变换 |
stftlayer |
短时傅立叶变换层 |
话题
- 使用深度学习的行人和骑自行车的人分类(雷达工具箱)
使用深度学习网络和时频分析,根据其微型多普勒特征对行人和骑自行车的人进行分类。
- 雷达和通信波形分类使用深度学习(雷达工具箱)
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。
- 带信号标签的标签雷达信号(雷达工具箱)
标记带有噪声的脉冲雷达信号的时间和频率特征。
- 使用机器学习和深度学习的雷达目标分类(雷达工具箱)
使用机器和深度学习方法对雷达返回进行分类。
- 具有自定义功能的自动化信号标签(信号处理工具箱)
利用信号标签定位和标记ECG信号的QRS复合物和R峰。
- 加速度计数据的裂纹识别(小波工具箱)
使用小波和深度学习技术来检测横向路面裂纹并定位其位置。
- 迭代方法以减少人为努力创建标记的信号集(信号处理工具箱)
使用深度学习来减少标记信号所需的人类努力。
- 标签信号属性,感兴趣的区域和点(信号处理工具箱)
利用信号标签在一组鲸鱼歌曲中标记属性,区域和兴趣点。
- 具有自定义功能的自动化信号标签(信号处理工具箱)
利用信号标签定位和标记ECG信号的QRS复合物和R峰。
- 使用EMG信号和深度学习对ARM运动进行分类(信号处理工具箱)
使用标记的EMG信号和较长的短期内存网络对ARM运动进行分类。
- GPU加速度的深度学习加速度(小波工具箱)
使用您的GPU加速特征提取进行信号分类。
- 使用深度学习回归的DENOISE EEG信号(信号处理工具箱)
使用深度学习回归从EEG信号中删除EOG噪声。