AI アプリケーション
オーディオ、生物医学、予知保全、レーダー、および無線
信号処理と深層学習の技術を、音声認識、心電図分類、脳波ノイズ除去などの実際のアプリケーションに統合します。
トピック
Audio
- Anomaly Detection Using Convolutional Autoencoder with Wavelet Scattering Sequences
Detect anomalies in acoustic data using wavelet scattering and thedeepSignalAnomalyDetectorobject. (R2024a 以降) - カスタム対数スペクトログラム層と深層学習を使用した数字音声認識
深層畳み込みニューラル ネットワークとカスタム スペクトログラム層を使用して数字音声を分類します。 (R2021a 以降) - Train Spoken Digit Recognition Network Using Out-of-Memory Features
Train a spoken digit recognition network on out-of-memory auditory spectrograms using a transformed datastore. - 深層学習ネットワークを使用した音声のノイズ除去
全結合ネットワークと畳み込みニューラル ネットワークを使用して音声信号のノイズを除去します。 - Acoustic Scene Classification with Wavelet Scattering (Wavelet Toolbox)
Use wavelet scattering and joint time-frequency scattering with a support vector machine to classify urban environments by sound. (R2024b 以降) - Musical Instrument Classification with Joint Time-Frequency Scattering (Wavelet Toolbox)
Classify musical instruments using joint time-frequency features paired with a 3-D convolutional network. (R2024b 以降) - 後期融合を使用した音響シーン認識 (Wavelet Toolbox)
音響シーン認識のためのマルチモデル後期融合システムの作成。 - Wavelet Time Scattering Classification of Phonocardiogram Data (Wavelet Toolbox)
Classify human phonocardiogram recordings using wavelet time scattering and a support vector machine classifier.
生物医学
- Human Health Monitoring Using Continuous Wave Radar and Deep Learning
Use a deep learning network to reconstruct electrocardiograms from continuous-wave radar signals. (R2022b 以降) - 信号の特徴抽出と機械学習を使用した行動認識
スマートフォンのセンサー信号から特徴を抽出し、それらを使用して人の行動を分類します。 (R2021b 以降) - レーダー信号と深層学習を使用した手のジェスチャの分類
MISO 畳み込みニューラル ネットワークを使用して、超広帯域インパルス レーダー信号データを分類する。 (R2021b 以降) - 長短期記憶ネットワークを使用した ECG 信号の分類
深層学習と信号処理を使用して、心拍心電図のデータを分類します。 - Detect Anomalies in Signals Using deepSignalAnomalyDetector
Use autoencoders to detect abnormal points or segments in time-series data. (R2023a 以降) - 深層学習を使用した波形セグメンテーション
時間-周波数解析と深層学習を使用して、人間の心電図信号をセグメント化します。 - EMG 信号と深層学習を使用した腕の運動の分類
ラベル付き EMG 信号と長短期記憶ネットワークを使用して腕の運動を分類します。 (R2022a 以降) - Denoise EEG Signals Using Differentiable Signal Processing Layers
Remove EOG noise from EEG signals using deep learning regression. (R2021b 以降) - ウェーブレット解析と深層学習を使用した時系列の分類
連続ウェーブレット変換と深層畳み込みニューラル ネットワークを使用した ECG 信号を分類します。 - Signal Source Separation Using W-Net Architecture
Use a deep learning network to separate two mixed signal sources. (R2022b 以降) - Wavelet Time Scattering Classification of Phonocardiogram Data (Wavelet Toolbox)
Classify human phonocardiogram recordings using wavelet time scattering and a support vector machine classifier. - Time-Frequency Convolutional Network for EEG Data Classification (Wavelet Toolbox)
Classify electroencephalographic (EEG) time series from persons with and without epilepsy. (R2023a 以降)
ノイズ、振動、および不快感
- Machine Learning and Deep Learning Classification Using Signal Feature Extraction Objects
Use signal feature extraction objects and AI-based classification to identify faulty bearing signals in mechanical systems. (R2024a 以降) - Anomaly Detection Using Convolutional Autoencoder with Wavelet Scattering Sequences
Detect anomalies in acoustic data using wavelet scattering and thedeepSignalAnomalyDetectorobject. (R2024a 以降) - LSTM 自己符号化器を使用した機械の異常検出
長短期記憶自己符号化器を使用して、産業機械から取得したデータの異常を検出する。 (R2023a 以降) - 加速度計データからの亀裂の識別 (Deep Learning Toolbox)
ウェーブレットと深層学習の手法を使用して、舗装の横断亀裂を検出し、その位置を特定する。 - Detect Anomalies Using Wavelet Scattering with Autoencoders (Deep Learning Toolbox)
Learn how to develop an alert system for predictive maintenance using wavelet scattering and deep learning. - Fault Detection Using Wavelet Scattering and Recurrent Deep Networks (Deep Learning Toolbox)
Classify faults in acoustic recordings of air compressors using a wavelet scattering network paired with a recurrent neural network.
レーダーと無線
- Automated Labeling of Time-Frequency Regions for AI-Based Spectrum Sensing Applications
Use rule-based methods or unsupervised learning techniques to help automate time-frequency data labeling. - Export Labeled Data from Signal Labeler for AI-Based Spectrum Sensing Applications
Use deep learning networks and the Signal Labeler app to identify frames from the Bluetooth® and Wi-Fi® wireless standards. - Wireless Resource Allocation Using Graph Neural Network
Use graph neural networks for power allocation in wireless networks. (R2024b 以降) - CBRS Band Radar Parameter Estimation Using YOLOX
Detect radar pulses in noise and estimates the pulse parameters using a combination of time-frequency maps and a deep-learning object detector. - Direction-of-Arrival Estimation Using Deep Learning
Estimate direction of arrival using deep learning by predicting angular directions directly from the sample covariance matrix. - レーダー信号と深層学習を使用した手のジェスチャの分類
MISO 畳み込みニューラル ネットワークを使用して、超広帯域インパルス レーダー信号データを分類する。 (R2021b 以降) - Pedestrian and Bicyclist Classification Using Deep Learning (Radar Toolbox)
Classify pedestrians and bicyclists based on their micro-Doppler characteristics using deep learning and time-frequency analysis. (R2021a 以降) - LPI Radar Waveform Classification Using Time-Frequency CNN (Radar Toolbox)
Train a time-frequency convolutional neural network (CNN) to classify received radar waveforms based on modulation scheme. (R2024a 以降) - Radar Target Classification Using Machine Learning and Deep Learning (Radar Toolbox)
Classify radar returns using machine and deep learning approaches. (R2021a 以降) - Radar and Communications Waveform Classification Using Deep Learning (Phased Array System Toolbox)
Classify radar and communications waveforms using the Wigner-Ville distribution (WVD) and a deep convolutional neural network (CNN).
関連情報
- AI for Audio (Audio Toolbox)
- AI for Radar (Radar Toolbox)
- 無線用 AI (Communications Toolbox)
