Deep learning para procesamiento de señales

El deep learning ofrece nuevas oportunidades para desarrollar modelos predictivos a fin de resolver una amplia gama de aplicaciones de procesamiento de señales. MATLAB® admite el flujo de trabajo completo: desde la exploración a la implementación de sistemas de procesamiento de señales basados en redes profundas. Es posible comenzar a usar de forma fácil las funcionalidades especializadas para el procesamiento de señales, como por ejemplo:  

  • Analizar, preprocesar y anotar señales de manera interactiva.
  • Extraer características y transformar señales para entrenar redes neuronales profundas.
  • Crear modelos de deep learning para aplicaciones del mundo real, incluidas aplicaciones biomédicas, de audio, de comunicaciones y de radar.
  • Adquirir y generar conjuntos de datos de señales a través de conectividad de hardware y simulaciones.

“No creo que MATLAB tenga fuertes competidores en el ámbito del procesamiento de señales y el análisis de wavelets. Si sumamos sus capacidades en cuanto a estadística y machine learning, resulta fácil ver por qué los que no son programadores disfrutan usando MATLAB, en especial para proyectos que requieren la combinación de todos estos métodos.”

Ali Bahrami Rad, Universidad Aalto

Etiquetado de señales y gestión de conjuntos de datos

Con MATLAB, podrá usar apps integradas y herramientas específicas del dominio que contribuirán a preparar los datos de señales gracias a tareas como el etiquetado y la gestión de grandes volúmenes de datos de señales que son demasiado grandes para caber en la memoria.

Más información

Transformadas de tiempo-frecuencia

Las representaciones de tiempo-frecuencia describen cómo el contenido espectral de una señal evoluciona como una función de tiempo. Es posible entrenar redes de deep learning para identificar y extraer patrones de las representaciones de tiempo-frecuencia. También se puede elegir entre diversas técnicas que permiten generar representaciones de tiempo-frecuencia para las señales, tales como espectrograma, espectrograma de frecuencias de Mel, Wigner-Ville y transformada wavelet continua (o escalogramas).

Más información

Preprocesamiento y extracción de características

El preprocesamiento de señales es un paso crucial para mejorar la calidad general de las señales. Puede utilizar las apps y las funciones integradas para limpiar señales y eliminar los artefactos no deseados antes de entrenar una red profunda. También puede extraer características estándar y específicas del dominio a partir de señales para reducir la dimensionalidad de los datos a fin de entrenar modelos de deep learning. También es posible utilizar técnicas de extracción de características automáticas, como dispersión de wavelets, para obtener características de desviación baja a partir de señales y entrenar redes profundas.

Más información

Generación y adquisición de señales

Los modelos de deep learning suelen requerir grandes cantidades de datos para el entrenamiento y la validación. En ciertas situaciones, la disponibilidad de los datos puede ser el factor limitante para la adopción de técnicas de deep learning. Con MATLAB y otros complementos para aplicaciones de procesamiento de señales, puede simular datos sintéticos que se asemejan mucho a escenarios reales y desarrollar modelos mediante técnicas de deep learning. Es posible establecer una interfaz entre MATLAB y hardware externo para adquirir datos reales con fines de validación de los modelos entrenados con prototipos iniciales.

Más información

Diseño, entrenamiento e implementación de redes

Diseñe redes de forma interactiva, acelere el entrenamiento mediante GPU NVIDIA® y obtenga buenos resultados con más rapidez.

Diseño

Importe modelos previamente entrenados mediante ONNX™ y, después, use la app Deep Network Designer para agregar, eliminar o reorganizar las capas.

Entrenamiento

Tanto si usa una GPU como si emplea varias GPU, GPU en la nube o NVIDIA DGX, MATLAB admite el entrenamiento mediante varias GPU con una línea de código.

Implementación

Implemente modelos de deep learning en cualquier lugar. Genere código automáticamente para su ejecución nativa en ARM® e Intel® MKL-DNN. Importe sus modelos de deep learning y genere código CUDA® para librerías CuDNN y TensorRT.

Más información