Le Deep Learning pour le traitement du signal

Le Deep Learning offre de nouvelles opportunités pour le développement de modèles prédictifs afin de résoudre les problèmes d'un large éventail d'applications de traitement du signal. MATLAB® supporte l'ensemble du processus de développement, de l'exploration à l'implémentation des systèmes de traitement du signal élaborés à partir de réseaux profonds. Vous pouvez facilement démarrer avec des fonctionnalités spécialisées pour le traitement du signal telles que :  

  • L’analyse, le prétraitement et l'annotation de signaux de manière interactive 
  • L’extraction de caractéristiques et la transformation de signaux pour l'apprentissage de réseaux neuronaux profonds
  • L’élaboration de modèles de Deep Learning pour des cas d'utilisation concrets, telles que des applications biomédicales, audio, de communications et radar
  • L’acquisition et la génération de jeux de signaux via la connectivité hardware et la simulation

« Je ne pense pas que la concurrence soit en mesure de rivaliser avec MATLAB en ce qui concerne le traitement du signal et l'analyse en ondelettes. En ajoutant à cela ses capacités en statistiques et en Machine Learning, on comprend tout de suite pourquoi les non-programmeurs utilisent MATLAB, surtout pour des projets nécessitant de combiner toutes ces méthodes. »

Ali Bahrami Rad, Aalto University

Labélisation des signaux et gestion des jeux de données

Avec MATLAB, vous pouvez utiliser des applications intégrées et des outils spécifiques à votre domaine pour préparer les signaux à l'aide d’activité telles que la labélisation et la gestion de volumes de signaux trop importants pour être stockés en mémoire.

En savoir plus

Transformées temps-fréquence

Les représentations temps-fréquence décrivent la façon dont le contenu spectral d'un signal évolue en fonction du temps. Vous pouvez entraîner des réseaux de Deep Learning pouvant identifier et extraire des motifs à partir des représentations temps-fréquence. Vous pouvez également choisir parmi un large éventail de techniques pour générer des représentations temps-fréquence de signaux, notamment sous la forme d'un spectrogramme, d'un mel-spectrogramme, d'une transformée de Wigner-Ville et d'une transformée en ondelettes continue (ou scalogramme).

En savoir plus

Prétraitement et extraction de caractéristiques

Le prétraitement du signal est essentiel pour améliorer sa qualité globale. Vous pouvez utiliser des fonctions et des applications intégrées pour nettoyer les signaux et supprimer les artéfacts indésirables avant l'apprentissage d'un réseau profond. Vous pouvez également extraire du signal des caractéristiques standard et spécifiques à votre domaine afin de réduire la dimensionnalité des données pour l'apprentissage de modèles de Deep Learning. Vous avez aussi la possibilité d'utiliser des techniques d'extraction automatique de caractéristiques, telles que la diffusion en ondelettes, afin d'obtenir les caractéristiques de faible variance des signaux et pour l'apprentissage des réseaux profonds.

En savoir plus

Génération et acquisition d'un signal

Les modèles de Deep Learning requièrent habituellement d'importants volumes de données pour l'apprentissage et la validation. Dans certaines situations, la disponibilité des données peut être le facteur contraignant dans l'adoption de techniques de Deep Learning. Avec MATLAB et d'autres modules complémentaires pour les applications de traitement du signal, vous pouvez simuler des données synthétiques ressemblant de près à des scénarios concrets et développer des modèles à l'aide de techniques de Deep Learning. Vous pouvez connecter MATLAB à du hardware externe pour l'acquisition de données réelles afin de valider vos modèles en apprentissage avec des prototypes.

En savoir plus

Design, apprentissage et déploiement de réseaux

Concevez des réseaux de manière interactive, accélérez leur apprentissage à l'aide de GPU NVIDIA® et obtenez les bons résultats plus rapidement.

Design

Importez des modèles pré-entrainés à l'aide d'ONNX™, puis utilisez l'application Deep Network Designer pour ajouter, supprimer ou réorganiser les couches.

Apprentissage

Que vous utilisiez un seul ou plusieurs GPU, des GPU dans le cloud ou NVIDIA DGX, MATLAB supporte l'apprentissage multi-GPU en une seule ligne de code.

Déploiement

Déployez des modèles Deep Learning n'importe où. Générez du code automatiquement pour l'exécuter de manière native sur ARM® et Intel® MKL-DNN. Importez vos modèles de Deep Learning et générez du code CUDA®, en ciblant les bibliothèques TensorRT et CuDNN.

En savoir plus