Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

統計と機械学習の応用

統計と機械学習の手法を業界固有のワークフローに適用

Statistics and Machine Learning Toolbox™ には、データを説明、分析およびモデル化するためのツールが用意されています。それらのツールを MATLAB® の他のツールボックスと組み合わせて、業界固有のワークフローを実行します。応用分野の一部を次に示します。

  • 航空宇宙関連 — レーダーやその他の信号の調査、異常の検出、予測モデルの構築。

  • バイオテクノロジーおよび製薬 — 臨床データの解析、創薬および製薬のためのモデル化とシミュレーションの実施。

  • 通信および信号処理 — オーディオやその他の信号の分類、ワイヤレス デバイスや集積回路のモデル化。

  • エネルギー生産 — エネルギー需要の予測、生産設備の監視、油やガスに含まれる化学物質の処理の最適化。

  • 産業オートメーションおよび産業機械 — 工業工程データへの多変量統計と予測モデリングの適用、製造工程や製品品質の監視、利用率と生産量の向上。

  • 医療機器 — 規制標準に準拠したアプリケーション開発のための生物医学的な時系列データやイメージ データに関する解釈可能な機械学習アルゴリズムの構築。

  • 金融工学およびリスク管理 — アルゴリズム トレード、資産配分、信用リスク、不正検知のためのモデルの学習、比較、最適化。

航空宇宙関連

Radar Target Classification Using Machine Learning and Deep Learning (Radar Toolbox)

Classify radar returns using machine and deep learning approaches.

バイオテクノロジーおよび製薬

高スループット シーケンス

創薬および定量的システム薬理学

通信および信号処理

Data Analysis on S-Parameters of RF Data Files (RF Toolbox)

Perform statistical analysis on S-parameter data files using magnitude, mean, and standard deviation.

Wavelet Time Scattering with GPU Acceleration — Spoken Digit Recognition (Wavelet Toolbox)

Extract features on your GPU for signal classification.

Feature Selection for Audio Classification (Audio Toolbox)

Perform audio feature selection to select a feature set for either speaker recognition or word recognition tasks.

Speaker Identification Using Pitch and MFCC (Audio Toolbox)

This example demonstrates a machine learning approach to identify people based on features extracted from recorded speech. The features used to train the classifier are the pitch of the voiced segments of the speech and the mel frequency cepstrum coefficients (MFCC). This is a closed-set speaker identification: the audio of the speaker under test is compared against all the available speaker models (a finite set) and the closest match is returned.

Speaker Diarization Using x-vectors (Audio Toolbox)

Speaker diarization is the process of partitioning an audio signal into segments according to speaker identity. It answers the question "who spoke when" without prior knowledge of the speakers and, depending on the application, without prior knowledge of the number of speakers.

エネルギー生産

資産管理のための予測解析

  • 風力タービン高速ベアリングの経過予測 (Predictive Maintenance Toolbox)
    風力タービン ベアリングの残存耐用期間 (RUL) をリアルタイムで予測する指数劣化モデルを作成する。指数劣化モデルはそのパラメーターの事前確率分布と最新の測定値に基づいて RUL を予測します。

エネルギー取引およびリスク管理 (ETRM)

  • Model and Simulate Electricity Spot Prices Using the Skew-Normal Distribution (Econometrics Toolbox)
    This example shows how to simulate the future behavior of electricity spot prices from a time series model fitted to historical data. Because electricity spot prices can exhibit large deviations, the example models the innovations using a skew-normal distribution. The data set in this example contains simulated, daily electricity spot prices from January 1, 2010 through November 11, 2013.
  • Hedging Strategies Using Spread Options (Financial Instruments Toolbox)
    This example shows different hedging strategies to minimize exposure in the Energy market using Crack Spread Options.
  • Pricing Swing Options Using the Longstaff-Schwartz Method (Financial Instruments Toolbox)
    This example shows how to price a swing option using a Monte Carlo simulation and the Longstaff-Schwartz method. A risk-neutral simulation of the underlying natural gas price is conducted using a mean-reverting model. The simulation results are used to price a swing option based on the Longstaff-Schwartz method [6 (Financial Instruments Toolbox)]. This approach uses a regression technique to approximate the continuation value of the option. A comparison is made between a polynomial and spline basis to fit the regression. Finally, the resulting prices are analyzed against lower and upper price boundaries derived from standard European and American options.

産業オートメーションおよび産業機械

データに基づくモデルを使用した故障検出 (Predictive Maintenance Toolbox)

データに基づくモデル化の方法を故障検出に利用する。

3 軸振動データを使用した産業機械での異常検出 (Predictive Maintenance Toolbox)

機械学習と深層学習を使用して、産業機械の振動データにおける異常を検出する。

産業機械と製造工程の条件モデルの作成

分類学習器アプリを使用してバイナリ分類モデルに学習させて、産業製造機械から収集されたセンサー データの異常を検出する。

転動体ベアリングの故障診断 (Predictive Maintenance Toolbox)

加速度信号に基づいて転動体ベアリングの故障診断を実行する。ベアリングの故障診断に包絡線スペクトル解析およびスペクトル尖度を適用する。

残差分析を使用した遠心ポンプの故障診断 (Predictive Maintenance Toolbox)

ポンプ システムの故障の検出と診断にモデル パリティ方程式に基づく方法を使用する。

Air Compressor Fault Detection Using Wavelet Scattering (Wavelet Toolbox)

Classify faults in acoustic recordings of air compressors using a wavelet scattering network and a support vector machine.

医療機器

ECG 信号分類のウェーブレット時間散乱 (Wavelet Toolbox)

ウェーブレット時間散乱とサポート ベクター マシン分類器を使用した人間の心電図信号の分類。

Wavelet Time Scattering Classification of Phonocardiogram Data (Wavelet Toolbox)

Classify human phonocardiogram recordings using wavelet time scattering and a support vector machine classifier.

スマートフォン展開用の行動認識 Simulink モデル

スマートフォンへの展開用に準備された Simulink® の分類モデルからコードを生成します。

固定小数点展開用の行動認識 Simulink モデル

固定小数点展開用に準備された Simulink の分類モデルからコードを生成する。

金融工学およびリスク管理

アルゴリズム トレード

信用リスク

ポートフォリオ最適化および資産配分

  • Portfolio Optimization Using Factor Models (Financial Toolbox)
    This example shows two approaches for using a factor model to optimize asset allocation under a mean-variance framework. Multifactor models are often used in risk modeling, portfolio management, and portfolio performance attribution. A multifactor model reduces the dimension of the investment universe and is responsible for describing most of the randomness of the market [1 (Financial Toolbox)]. The factors can be statistical, macroeconomic, and fundamental. In the first approach in this example, you build statistical factors from asset returns and optimize the allocation directly against the factors. In the second approach you use the given factor information to compute the covariance matrix of the asset returns and then use the Portfolio (Financial Toolbox) class to optimize the asset allocation.

計量経済学モデリング

  • Time Series Regression I: Linear Models (Econometrics Toolbox)
    This example introduces basic assumptions behind multiple linear regression models. It is the first in a series of examples on time series regression, providing the basis for all subsequent examples.
  • Time Series Regression III: Influential Observations (Econometrics Toolbox)
    This example shows how to detect influential observations in time series data and accommodate their effect on multiple linear regression models. It is the third in a series of examples on time series regression, following the presentation in previous examples.