この例では,ウェーブレットベースの特徴抽出とサポートベクターマシン(SVM)分類器を使用して人間の心電図(ECG)信号を分類する方法を示します。生の心电图信号を,異なるクラスを集計的に区別するのに役立つはるかに小さい特徴のセットに変換することで,信号分類の問題が単純化されます。この例を実行するには，小波工具箱™，信号处理工具箱™，统计和机器学习工具箱™が必要です。この例で使用されているデタは，PhysioNetから公的に入手可能です。

用机器和深度学习方法对雷达回波进行分类。机器学习方法采用小波散射特征提取与支持向量机相结合的方法。金宝app此外，还阐述了两种深度学习方法:使用SqueezeNet的迁移学习和长短期记忆(LSTM)循环神经网络。请注意，本例中使用的数据集不需要高级技术，但是描述了工作流，因为这些技术可以扩展到更复杂的问题。

利用小波时间散射和支持向量机分类器对人体心电图信号进行分类。金宝app在小波散射中，数据通过一系列小波变换、非线性和平均来传播，以产生时间序列的低方差表示。小波时间散射产生对输入信号位移不敏感的信号表示，而不牺牲类的区别性。您必须拥有小波工具箱™和统计和机器学习工具箱™才能运行此示例。本例中使用的数据可从PhysioNet公开获取。您可以在这个例子中找到针对这个分类问题的深度学习方法，使用小波分析和深度学习对时间序列进行分类，以及在这个例子中找到机器学习方法ウェブレットベスの特徴とサポトベクタマシンを使用した信号分類。

利用小波时间散射和音频数据存储对音乐节选的类型进行分类。在小波散射中，数据通过一系列小波变换、非线性和平均来传播，以产生数据的低方差表示。然后将这些低方差表示作为分类器的输入。

利用小波时间散射和支持向量机分类器对人心音图(PCG)录音进行分类。金宝app心音图是心脏收缩期和舒张期所产生的声音的声学记录。心脏听诊在评估心脏健康方面继续发挥着重要的诊断作用。不幸的是，世界上许多地区缺乏受过心脏听诊训练的医务人员。因此，有必要开发可靠的自动解释心音图数据的方法。

利用小波时间散射、支持向量机和基于mel频率谱图的深度卷积网络对语音数字进行分类。金宝app

建立一个多模型后期融合系统用于声学场景识别。该示例使用mel谱图训练卷积神经网络(CNN)和使用小波散射训练集成分类器。该示例使用TUT数据集进行训练和评估[1]。

利用深度学习和连续小波变换对心跳心电图数据进行分类。

利用小波图像散射对纹理进行分类。除了小波工具箱™，本示例还需要并行计算工具箱™和图像处理工具箱™。

利用小波散射进行图像分类。本示例需要小波工具箱™、深度学习工具箱™和并行计算工具箱™。