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。
信号の処理
ウェーブレット散乱を使用すると、クラス "間" での判別性を維持しながら、クラス "内" での差異を最小限に抑える低分散データ表現を生成できます。ウェーブレット散乱では、ユーザー指定のパラメーターをいくつか指定するだけで、定義したスケールでの時間シフトに対してロバストでコンパクトなデータ表現を生成できます。これらの表現を機械学習アルゴリズムと共に分類や回帰に使用できます。
連続ウェーブレット変換 (CWT) を使用すると、2 次元畳み込みネットワークで使用できる、時系列データの 2 次元の時間-周波数マップを生成できます。深層 CNN で使用する時間-周波数表現を生成すると信号分類に非常に役立ちます。CWT では時系列データにおける定常状態と過渡動作を同時にキャプチャできるため、深層 CNN と組み合わせるとウェーブレットベースの時間-周波数表現が特にロバストになります。
Signal Processing Toolbox™ ライセンスを使用すると、短時間フーリエ変換を機械学習と深層学習のワークフローに含めることができます。信号ラベラー (Signal Processing Toolbox)を使用して、解析のため、または機械学習や深層学習のアプリケーションで使用するために、信号のラベル付けを行うこともできます。信号ラベラーは、データを labeledSignalSet
オブジェクトとして保存します。Audio Toolbox™ ライセンスがある場合は、Import and Play Audio File Data in Signal Labeler (Signal Processing Toolbox)を行えます。melSpectrogram
(Audio Toolbox) を使用して特徴抽出を行うこともできます。
アプリ
信号ラベラー | 対象となる信号の属性、領域および点へのラベル付けまたは特徴の抽出 |
関数
トピック
- Wavelet Scattering
Derive low-variance features from real-valued time series and image data.
- Wavelet Scattering Invariance Scale and Oversampling
Learn how changing the invariance scale and oversampling factor affects the output of the wavelet scattering transform.