時系列データに対してのパターン認識に特化したオプション製品は特に提供されておりませんが、基本的には、次のようなオプション製品が関連します。
- Statistics and Machine Learning Toolbox
- Deep Learning Toolbox(R2018a 以前では Neural Network Toolbox)
- Signal Processing Toolbox
パターン認識となりますので、入力データに対し、教師データを与えた教師有りの機械学習アルゴリズムを用いて、パターン認識します。
Statistics and Machine Learning Toolbox には、Support Vector Machine (SVM) 等の 幾つかの教師有り学習アルゴリズムが用意されています。
同製品の教師有り学習アルゴリズムのドキュメントは、下記よりご覧ください。
・分類
https://www.mathworks.com/help/stats/classification.html
教師有りの機械学習の一つであり、近年特に画像認識分野等の深層学習として話題となっている Neural Network については、別途、Deep Leaning Toolbox としてオプション製品が用意されています。
Deep Learning Toolbox の パターン認識に関する項目については、下記よりご覧ください。
・パターン認識
https://www.mathworks.com/help/deeplearning/pattern-recognition-and-classification.html
なお、時系列データを直接、学習器に入力するのではなく、通常は、特徴的な情報量を取得して、それらの情報量を学習器の入力として与える方法が一般的になると思います。
相関の高い統計量については、取り扱う時系列データに依存します。
例えば、ユースケースとして、Neural Networkを用いた母音の音声認識を挙げてみますと、信号の周波数領域の情報となる パワースペクトルの結果の第1ピーク、第2ピーク (フォルマント) となる周波数(Hz) を入力層に与え、その他3要素程度の信号統計情報を与えてネットワークを構築 (つまり、入力層は 5要素のみで分類器を作成できる例となります)
このようなパワースペクトルのような 信号の周波数領域の情報を取得する補助製品として、Signal Processing Toolbox もお役に立てるかと思います。
また、信号処理系の機械学習にフォーカスした Webinar があります。
・機械学習のための信号処理
・MATLABによる機械学習の基礎 ～特徴抽出・分類器・交差検定～
