将深度学习用于信号处理

深度学习呈现了一种新的思路,帮助您通过开发预测模型来解决各种信号处理应用问题。MATLAB® 为您提供从探索到实现的全程支持,帮助您基于深度网络构建信号处理系统。以下功能专为信号处理设计,可帮助您轻松上手:

  • 对信号进行分析、预处理和交互式注释
  • 提取特征并转换信号,用以训练深度神经网络
  • 为生物医学、音频、通信和雷达等真实应用场景构建深度学习模型
  • 通过连接硬件和仿真来采集并生成信号数据集

“在我看来,MATLAB 在信号处理和小波分析方面有着难以匹敌的竞争优势。如果同时考虑到它在统计和机器学习方面的强大功能,就不难明白 MATLAB 为何在程序员群体以外也备受青睐,在那些需要综合运用上述所有方法的项目中,这一点尤为明显。”

Ali Bahrami Rad, Aalto University

信号标注和数据集管理

借助 MATLAB,您可以使用内置应用程序和领域特定工具来准备信号数据,例如对无法放入内存的大量信号数据进行标注和管理。

了解更多

时频变换

时频表示将信号中的频谱成分视为时间的函数并描述其随时间发生的变化。您可以训练深度学习网络从时频表示中识别并提取模式。同时,您可以从多种技术中任选其一来生成信号的时频表示,频谱图、梅尔频谱图、Wigner-Ville 和连续小波变换(尺度图)等。

了解更多

预处理和特征提取

信号预处理是增强信号整体质量的关键步骤。在训练深度网络之前,您可以使用内置函数和应用程序来清理信号并移除不需要的伪影。您也可以从信号中提取标准特征和领域特定特征,以降低用于训练深度学习模型的数据维度。您还可以利用小波散射等的特征自动提取技术,获取信号中方差较低的特征并训练深度网络。

了解更多

信号生成和采集

深度学习模型通常需要大量的数据才能进行训练和验证。在某些情况下,可用数据不足可能成为采用深度学习技术的一道瓶颈。借助 MATLAB 以及针对信号处理应用的附加功能,您可以模拟出非常接近真实场景的合成数据,进而使用深度学习技术开发模型。您也可以将 MATLAB 对接到外部硬件以获取真实数据,从而通过早期原型来验证训练的模型。

了解更多

网络设计、训练和部署

交互式设计网络,使用 NVIDIA® GPU 加速训练,更快获得理想的结果。

设计

使用 ONNX™ 导入预训练的模型,然后使用 Deep Network Designer 应用程序添加、删除或重新组织层。

训练

无论您是使用单个 GPU、多个 GPU、云端 GPU 还是 NVIDIA DGX,只需一行 MATLAB 代码,即可支持多 GPU 训练。

部署

将深度学习模型部署到各类平台。自动生成代码以在 ARM® 和 Intel® MKL-DNN 上本地运行。导入深度学习模型,并针对 TensorRT 和 CuDNN 库生成 CUDA® 代码。

了解更多