Détection d'anomalies

Détecter les anomalies des signaux avec des modèles d’IA, y compris des réseaux de Deep Learning

Extrayez des caractéristiques temps-fréquence éparses pour détecter les anomalies dans les données électromagnétiques, acoustiques et vibratoires.

Fonctions

deepSignalAnomalyDetector Create signal anomaly detector (depuis R2023a)

`audioDatastore`	Datastore for collection of audio files
`arrayDatastore`	Datastore for in-memory data
`signalDatastore`	Datastore for collection of signals
`imageDatastore`	Datastore for image data
`waveletScattering`	Wavelet time scattering
`signalTimeFeatureExtractor`	Streamline signal time feature extraction
`signalFrequencyFeatureExtractor`	Streamline signal frequency feature extraction (depuis R2021b)
`signalTimeFrequencyFeatureExtractor`	Streamline signal time-frequency feature extraction (depuis R2024a)
`stftLayer`	Short-time Fourier transform layer (depuis R2021b)
`istftLayer`	Inverse short-time Fourier transform layer (depuis R2024a)
`cwtLayer`	Continuous wavelet transform layer (depuis R2022b)
`icwtLayer`	Inverse continuous wavelet transform layer (depuis R2024b)
`modwtLayer`	Maximal overlap discrete wavelet transform layer (depuis R2022b)

Detect anomalies in acoustic data using wavelet scattering and the deepSignalAnomalyDetector object.

Use autoencoders to detect abnormal points or segments in time series data.

Use wavelet and deep learning techniques to detect and localize transverse pavement cracks.

(Deep Learning Toolbox)

Learn how to develop an alert system for predictive maintenance using wavelet scattering and deep learning.

(Deep Learning Toolbox)

Classify faults in acoustic recordings of air compressors using a wavelet scattering network paired with a recurrent neural network.

(Deep Learning Toolbox)