信号の処理

多重解像度解析、joint time-frequency scattering、ウェーブレット時間散乱、連続ウェーブレット変換、間引き離散ウェーブレット変換、非間引き離散ウェーブレット変換、Wigner-Ville 分布、メルスペクトログラム

ウェーブレット時間散乱を使用すると、定義したスケールでの時間シフトに対してロバストで低分散のデータ表現を生成できます。ウェーブレット時間散乱を基に joint time-frequency scattering を使用することで、周波数のシフトや変形に対しても不変な表現を得ることができます。どちらの表現も、クラス "間" の判別性を維持しながら、クラス "内" の差異を最小限に抑えます。これらの表現は AI ワークフローで使用できます。

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。また、深層学習ネットワーク内で CWT とその逆行列を計算したり、最大重複離散ウェーブレット変換 (MODWT) や MODWT 多重解像度解析 (MRA) を計算したりできます。

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)が可能です。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

関数

すべて展開する

微分可能な信号の処理

`dlcwt`	Deep learning continuous wavelet transform (R2022b 以降)
`dlicwt`	Deep learning inverse continuous 1-D wavelet transform (R2024b 以降)
`dldwt`	Differentiable discrete wavelet transform (R2025a 以降)
`dlidwt`	Differentiable inverse discrete wavelet transform (R2025a 以降)
`dlmodwt`	Deep learning maximal overlap discrete wavelet transform and multiresolution analysis (R2022a 以降)
`dlstft`	深層学習の短時間フーリエ変換 (R2021a 以降)
`dlistft`	Deep learning inverse short-time Fourier transform (R2024a 以降)
`cwtLayer`	Continuous wavelet transform layer (R2022b 以降)
`icwtLayer`	Inverse continuous wavelet transform layer (R2024b 以降)
`modwtLayer`	Maximal overlap discrete wavelet transform layer (R2022b 以降)
`stftLayer`	Short-time Fourier transform layer (R2021b 以降)
`istftLayer`	Inverse short-time Fourier transform layer (R2024a 以降)

特徴抽出

`array2cwtfilters`	Convert deep-learning CWT filter tensor to filter bank matrix (R2022b 以降)
`cwtfilterbank`	連続ウェーブレット変換フィルターバンク
`cwtfilters2array`	Convert CWT filter bank to reduced-weight tensor for deep learning (R2022b 以降)
`lwt`	1-D lifting wavelet transform (R2021a 以降)
`melSpectrogram`	Mel spectrogram
`modwpt`	Maximal overlap discrete wavelet packet transform
`modwt`	最大重複離散ウェーブレット変換
`timeFrequencyScattering`	Joint time-frequency scattering (R2024b 以降)
`waveletScattering`	Wavelet time scattering
`wentropy`	ウェーブレットエントロピー
`wvd`	Wigner-Ville 分布と平滑化疑似 Wigner-Ville 分布

データストア

`audioDatastore`	Datastore for collection of audio files
`augmentedImageDatastore`	バッチの変換によるイメージデータの拡張
`imageDatastore`	イメージデータのデータストア
`signalDatastore`	信号コレクションのデータストア

信号のラベル付け

`labeledSignalSet`	ラベル付き信号セットの作成
`signalLabelDefinition`	信号ラベルの定義の作成

トピック

Detect Air Compressor Sounds in Simulink Using Wavelet Scattering (DSP System Toolbox)
Use the Wavelet Scattering block and a pretrained deep learning network to classify audio signals.
Detect Anomalies in ECG Data Using Wavelet Scattering and LSTM Autoencoder in Simulink (DSP System Toolbox)
Use wavelet scattering and deep learning network to detect anomalies in ECG signals.
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).
Radar Target Classification Using Machine Learning and Deep Learning (Radar Toolbox)
Classify radar returns using machine and deep learning approaches. (R2021a 以降)