L’IA pour le traitement numérique du signal
DSP System Toolbox™ propose des fonctionnalités permettant d’extraire des statistiques sur les signaux et de détecter les anomalies les concernant à l’aide d’un réseau de Deep Learning dans Simulink®.
Le bloc Time Feature Extractor extrait du signal les caractéristiques dans le domaine temporel comme la moyenne, la valeur efficace (RMS), l’écart type, le rapport signal sur bruit (SNR) et le rapport signal sur bruit et distorsion (SINAD).
Le bloc Wavelet Scattering crée un framework de diffusion temporelle par ondelettes dans l’environnement Simulink. Utilisez ce bloc pour déterminer des caractéristiques à faible variance à partir de données à valeurs réelles, puis utilisez ces caractéristiques dans des applications de Machine Learning et de Deep Learning. Pour plus d’informations, veuillez consulter Wavelet Scattering (Wavelet Toolbox). Le bloc Wavelet Scattering nécessite Wavelet Toolbox™.
Le bloc Deep Signal Anomaly Detector détecte les anomalies des signaux temps réel dans Simulink avec un modèle de réseau de Deep Learning LSTM (Long Short-Term Memory) à autoencodeur entraîné. Vous devez commencer par créer et entraîner un objet détecteur dans MATLAB® avec la fonction deepSignalAnomalyDetector puis configurer le bloc pour utiliser ce modèle dans Simulink. Le bloc Deep Signal Anomaly Detector nécessite Deep Learning Toolbox™.
Blocs
Rubriques
- Wavelet Scattering (Wavelet Toolbox)
Derive low-variance features from real-valued time series and image data.
- Fault Detection Using Wavelet Scattering and Recurrent Deep Networks (Wavelet Toolbox)
Classify faults in acoustic recordings of air compressors using a wavelet scattering network paired with a recurrent neural network. (depuis R2021b)
- Deployment of Direction-of-Arrival Estimation Using Deep Learning
Generate and deploy code to estimate direction of arrival using deep learning techniques.
Sélection d՚exemples
Deploy Direction of Arrival Estimation Using Deep Learning on Desktop
Integrate the trained network into Simulink for real-time inference on a desktop environment.
Deploy Direction of Arrival Estimation Using Deep Learning on Raspberry Pi
Deploy the trained model on Raspberry Pi® for resource-constrained applications.
Detect Air Compressor Sounds in Simulink Using Wavelet Scattering
Use the Wavelet Scattering block and a pretrained deep learning network to classify audio signals.
Deploy Wavelet Scattering and TensorFlow Lite Network on a Raspberry Pi Using Simulink
Generate and deploy Raspberry Pi code to detect air compressor sounds using the Wavelet Scattering Simulink block and a pretrained deep learning network.
Fault Detection and Localization in Three-Phase Power Transmission Using Deep Signal Anomaly Detector in Simulink
Detect faults in three-phase power transmission using the Deep Signal Anomaly Detector block.
Detect Anomalies in ECG Data Using Wavelet Scattering and LSTM Autoencoder in Simulink
Use wavelet scattering and deep learning network to detect anomalies in ECG signals.
Real-Time Noise Detection on Raspberry Pi Using Deep Signal Anomaly Detector
Detect the presence of noise on a Raspberry Pi device.
Detect Air Compressor Sounds Using Wavelet Scattering and TensorFlow Lite
Generate and deploy code to detect air compressor sounds using Wavelet Scattering and a TensorFlow Lite deep learning network.
