Main Content

Travailler avec des signaux

Analyse multirésolution, diffusion temporelle par ondelettes, transformée en ondelettes continue, transformée en ondelettes discrète non décimée, distribution de Wigner-Ville et mel-spectrogramme

La diffusion par ondelettes permet de générer des représentations de données à faible variance qui réduisent les différences à l’intérieur d’une classe tout en préservant la discriminabilité entre les classes. La diffusion par ondelettes nécessite un petit nombre de paramètres spécifiés par l’utilisateur pour produire des représentations de données compactes et robustes face aux décalages temporels sur une échelle définie par vos soins. Vous pouvez utiliser ces représentations avec des algorithmes de Machine Learning pour la classification et la régression.

Il est possible d’utiliser la transformée en ondelettes continue (CWT) pour générer les cartes temps-fréquence 2D de données de séries temporelles utilisables avec des réseaux à convolution 2D. La génération de représentations temps-fréquence pour une utilisation dans les réseaux de neurones à convolution (CNN) profonds est une approche très efficace de la classification de signaux. Comme la CWT est capable de capturer simultanément les comportements à l’état stationnaire et transitoires des données de séries temporelles, la représentation temps-fréquence basée sur les ondelettes est particulièrement robuste si on l’associe à des CNN profonds. Il est également possible de calculer la transformée en ondelettes discrète à recouvrement maximal (MODWT) et l’analyse multirésolution (MRA) de la MODWT dans un réseau de Deep Learning.

Avec une licence Signal Processing Toolbox™, vous pouvez inclure la transformée de Fourier à court terme dans vos workflows de Machine Learning et de Deep Learning. Vous pouvez également utiliser Signal Labeler (Signal Processing Toolbox) pour labéliser les signaux afin de les analyser ou de les utiliser dans des applications de Machine Learning et de Deep Learning. Signal Labeler enregistre les données en tant qu’objets labeledSignalSet. Avec une licence Audio Toolbox™, vous pouvez importer et lire les données de fichiers audio dans Signal Labeler. Veuillez consulter Import and Play Audio File Data in Signal Labeler (Signal Processing Toolbox). Vous pouvez également utiliser melSpectrogram (Audio Toolbox) pour l’extraction de caractéristiques.

Applications

Signal LabelerLabel signal attributes, regions, and points of interest, and extract features

Fonctions

développer tout

cwtLayerContinuous wavelet transform (CWT) layer (depuis R2022b)
modwtLayerMaximal overlap discrete wavelet transform (MODWT) layer (depuis R2022b)
stftLayerShort-time Fourier transform layer (depuis R2021b)
array2cwtfiltersConvert deep-learning CWT filter tensor to filter bank matrix (depuis R2022b)
cwtfilterbankContinuous wavelet transform filter bank
cwtfilters2arrayConvert CWT filter bank to reduced-weight tensor for deep learning (depuis R2022b)
dlcwtDeep learning continuous wavelet transform (depuis R2022b)
dlmodwtDeep learning maximal overlap discrete wavelet transform and multiresolution analysis (depuis R2022a)
dlstftDeep learning short-time Fourier transform (depuis R2021a)
lwt1-D lifting wavelet transform (depuis R2021a)
melSpectrogramMel spectrogram
modwptMaximal overlap discrete wavelet packet transform
modwtMaximal overlap discrete wavelet transform
waveletScatteringWavelet time scattering
wentropyWavelet entropy
wvdWigner-Ville distribution and smoothed pseudo Wigner-Ville distribution
audioDatastoreDatastore for collection of audio files
augmentedImageDatastoreTransformer des batchs de données pour augmenter les images
imageDatastoreDatastore for image data
signalDatastoreDatastore for collection of signals (depuis R2020a)
labeledSignalSetCreate labeled signal set
signalLabelDefinitionCreate signal label definition

Rubriques