利用深度学习和连续小波变换对心跳心电图数据进行分类。

使用小波时间散射和支持向量机（SVM）分类器对人体心电图（ECG）信号进行分类。在小波散射中，数据通过一系列小波变换、非线性和平均来传播，以产生时间序列的低方差表示。万博1manbetx小波时间散射产生对输入信号中的位移不敏感的信号表示，而不牺牲类别可分辨性。你一定有小波工具箱™ 以及统计和机器学习工具箱™ 运行此示例。本例中使用的数据可从PhysioNet公开获取。在本例中，您可以找到此分类问题的深度学习方法使用小波分析和深度学习对时间序列进行分类，在本例中，您可以找到使用基于小波的特征和支持向量机对信号进行分类的机器学习方法。

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gpuArray和并行“深度优先”版本的小波时间散射加速小波散射特征的计算。您必须有一个支持CUDA的NVIDIA GPU，具有3.0或更高的计算能力。有关详细信息，请参见发布的GPU支持。万博1manbetx

使用小波时间散射和支持向量机（SVM）分类器对人体心音图（PCG）记录进行分类。心音图是心脏收缩期和舒张期产生的声音的声学记录。心脏听诊在评估心脏健康方面继续发挥重要的万博1manbetx诊断作用。不幸的是，世界上许多地区缺乏足够数量的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。万博1manbetx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。

使用gpuArray和并行“深度优先”版本的小波时间散射加速小波散射特征的计算。您必须有一个支持CUDA的NVIDIA GPU，具有3.0或更高的计算能力。有关详细信息，请参见发布的GPU支持。万博1manbetx本例使用的是具有6.1计算能力的NVIDIA Titan XP GPU。

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]。

使用基于小波的特征提取和支持向量机分类器对人体心电图信号进行分类。万博1manbetx将原始心电信号转换为更小的特征集，这些特征集用于区分不同的类别，从而简化了信号分类问题。您必须有小波工具箱™，信号处理工具箱™，统计学和机器学习工具箱™才能运行此示例。本例中使用的数据可以从PhysioNet公开获得。

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™。

使用机器和深度学习方法对雷达回波进行分类。机器学习方法使用小波散射特征提取与支持向量机相结合。此外，还介绍了两种深度学习方法：使用挤压网的转移学习和长-短期记忆（LSTM）递归神经网络。请注意，本例中使用的数据集不需要高级技术，但描述了工作流，因为这些技术可以扩展到更复杂的问题。万博1manbetx

使用Wigner-Ville分布(WVD)和深度卷积神经网络(CNN)对生成的合成数据的雷达波形类型进行分类。

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程。此示例还提供了有关如何生成和部署代码和CNN以在Raspberry Pi目标（基于ARM®的设备）上进行预测的信息。

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。