深度学习为开发预测模型提供了新的机会,以解决各种各样的信号处理应用。MATLAB®支持构建在深度网络上的信号处理系统的从探索到实现的整个工作流程。您可以很容易地开始使用信号处理的专门功能,如:
- 交互式分析、预处理和注释信号
- 提取特征和转换信号,用于训练深度神经网络
- 为现实应用建立深度学习模型,包括生物医学、音频、通信和雷达
- 通过硬件连接和模拟获取和生成信号数据集
信号标记和数据集管理
有了MATLAB,你可以使用内置的应用程序和特定领域的工具,这些工具可以帮助你准备信号数据,完成诸如标记和管理大量的信号数据等任务,这些数据太大了,内存装不下。
了解更多
时频变换
时频表示描述了信号中的频谱内容如何随着时间的变化而变化。你可以训练深度学习网络,它可以从时频表示中识别和提取模式。您还可以从各种可以为信号生成时频表示的技术中进行选择,包括谱图、mel-频率谱图、Wigner-Ville和连续小波变换(或标量图)。
了解更多
预处理和特征提取
信号预处理是提高整体信号质量的关键步骤。在训练深度网络之前,你可以使用内置的函数和应用程序来清理信号,去除不需要的工件。还可以从信号中提取标准和特定领域的特征,以降低训练深度学习模型的数据维数。还可以使用自动特征提取技术,如小波散射,从信号中获取低方差特征,训练深度网络。
了解更多
信号的生成和采集
深度学习模型通常需要大量数据进行训练和验证。在某些情况下,数据的可用性可能是采用深度学习技术的限制因素。通过MATLAB和其他用于信号处理应用的插件,可以模拟与现实场景密切匹配的合成数据,并使用深度学习技术开发模型。您可以将MATLAB与外部硬件连接,以获取真实世界的数据,以便通过早期原型验证训练过的模型。
了解更多
网络设计、训练和部署
交互式设计网络,使用NVIDIA加速训练®图形处理器,更快地得到好的结果。
设计
使用ONNX™导入预先训练的模型,然后使用深度网络设计器应用程序来添加、删除或重新排列层。
培训
无论你使用的是一个GPU、多个GPU、云上的GPU,还是NVIDIA DGX, MATLAB都可以用一行代码支持多GPU训练。
部署
在任何地方部署深度学习模型。自动生成代码,在ARM上本机运行®和英特尔®MKL-DNN。导入您的深度学习模型并生成CUDA®代码,针对TensorRT和CuDNN库