למידע ופרטים נוספים מלאו ושלחו את פרטיכם, ואנו נחזור אליכם בהקדם:


    White paper חינמי בנושא Deep Learning לעיבוד אותות ב-MATLAB

    MATLABעיבוד אותות על ידי שימוש ב-Deep Learning
    באמצעות MATLAB

    שימוש בלמידה עמוקה (Deep Learning) מאפשר פיתוח מודלי חיזוי למגוון רחב של יישומי עיבוד אותות. באמצעות שימוש בMATLAB- ניתן לבצע את התהליך כולו, החל מחקירת האות ועד להטמעה של מערכות עיבוד אות המבוססות על deep networks.

    ניתן לבצע בקלות:

    • רכישת וייצור מערכי נתונים של אותות – באמצעות סימולציה של אותות, אגרגציה של אותות קיימים ובאמצעות חיבור ישיר לחומרה ולמקלטים.
    • ניתוח ועיבוד מקדים אינטראקטיבי לאותות.
    • חילוץ תכונות ושינויי אות לצורך אימוני deep neural networks.
    • ביצוע labeling לאותות
    • בניית מודלי deep learning למגוון רחב של יישומים מתחומים שונים כגון ביו-רפואה, תקשורת, רדאר ואודיו.
    • הטמעת המודלים בחומרה ייעודית ובתוכנה.

    וובינר בנושא שימוש ב- Deep Learning - לניתוח אותות פיזיולוגיים עבור יישומים רפואיים באמצעות MATLAB

    סימלוץ אותות, אגרגציה ורכישת אותות

    ייצור אותות על ידי אגרגציה

    ניתן להשתמש באותות קיימים ולשנות אותם במעט ובכך להכפיל פי כמה וכמה את האותות שלנו, אם באמצעות הוספת רעש, הוספת הדהוד ועוד.

    קישור בין MATLAB לבין רכיבי חומרה תקשורתיים כגון SDR ומכשירי RF בצורה מהירה ויעילה

    ייצור מודלי Deep Learning מצריך לרוב כמויות גדולות מאוד של נתוני אותות לצורך אימון ותיקוף הרשת. מחסור בנתונים כאלה מהווה פעמים רבות את הגורם שמגביל את ביצוע ה-Deep Learning.

    ה-MATLAB וארגזי הכלים לעיבוד אותות מאפשרים להתגבר על המכשול זה באמצעות מספר דרכים:

    ייצור אותות על ידי סימולציה

    באמצעות פקודות ייעודיות ניתן לייצר אותות שונים באופן מלאכותי ולהוסיף אותם לבסיס הנתונים בקישור הבא רשימת פקודות ודוגמאות לייצור אותות.

    רכישת אותות באמצעות חומרה ייעודית

    באמצעות ארגז הכלים הייעודי Data Acquisition Toolbox, ניתן לחבר ל-MATLAB חומרה חיצונית ובאמצעותה לרכוש אותות ולהכניסם למערכת

    Labeling לאותות וניהול מערכי נתונים

    אפליקציות מובנות בתוך ה-MATLAB מאפשרות לבצע Labeling לאותות ולנהל את המידע גם כאשר הוא גדול מכדי להתאים לזיכרון המחשב. ה-Signal Labler מאפשר להוסיף, למחוק ולהוריד לייבלים לוגיים, קטגוריים, נומריים ו-string-valued. אפליקציית Audio Labeler מאפשרת לבצע זאת על אותות שמע.

    פונקציית Datastore יוצרת מאגר נתונים ב-MATLAB עבור אוספי נתונים שזיכרון המחשב קטן מדי מלהכיל וכך מאפשרת לקרוא ולעבד אותם. איך להתחיל ולהשתמש ב-Datastore אפשר לראות בקישור הזה.

    ניתוח ועיבוד מקדים לאותות

    עיבוד מוקדם מוצלח של האות יכול לעשות את כל ההבדל בין למידה מוצלחת של הנתונים לבין כשלון.

    ניתן להשתמש בפונקציות המובנות ב-MATLAB לצורך ניקיון האות והסרת אזורים ונתונים לא רצויים ממנו או באפליקציית Signal Analyzer לביצוע עיבוד אות ללא כתיבת שורות קוד.

    ניתן להשתמש בטכניקות לחילוץ מאפייני אות כגון Wavelet Scattering על מנת לחלץ את מאפייני האות תוך הקטנה ניכרת של הנפח שתופס בסיס הנתונים.

    טרנספורמציות זמן – תדר

    תצוגות זמן-תדר מתארות את השינוי הספקטרלי של האות עם הזמן.

    ניתן לאמן באמצעות ה-MATLAB רשתות Deep Learning שיכולות לזהות ולחלץ תבניות מתוך תצוגות הזמן-תדר, כך שלמידת האות החד ממדי מתבצעת על ידי למידת תמונות דו ממדיות.

    ניתן לבחור מתוך מגוון רחב של טכניקות לייצור תצוגות זמן-תדר של אותות, בהתאם להתמרה המתאימה לסוג האות.

    אימון רשתות עמוקות לתחומים שונים

    דוגמאות לתקשורת ואותות מכ"ם:

    סיווג תצורת גל של אותות מכ"ם

    דוגמה זו מראה כיצד ניתן לסווג תצורות גל של אותות מכ"ם באמצעות (Wigner-Ville distribution (WVD ו-CNN

    סיווג מטרות מכ"ם באמצעות למידה עמוקה ולמידת מכונה

    דוגמה זו מראה כיצד ניתן לסווג החזרי מכ"ם באמצעות חילוץ מאפיינים ומסווג SVM, בחלק השני של הדוגמה נעשה תהליך deep learning על אותם הנתונים באמצעות רשתות CNN ו-LSTM.

    Modulation Classification with Deep Learning

    דוגמה זו מראה איך לייצר מודל לסיווג האפנון של אותות על ידי יצירת אותות סינטטיים, שימוש בהם בתור נתונים אימון לרשת CNN ואז בחינת  הרשת באמצעות אותות שהתקבלו מ- (software-defined radio (SDR.

     Deep Networks

    ניתן לתכנן ולייצר רשתות שלמות על ידי כתיבת שורות קוד או על ידי שימוש באפליקציה ייעודית, להשתמש ברשתות למידה קיימות ולהוריד אותן ישירות לתוך ה-MATLAB, לייבא רשתות ONNX ולהשתמש ב-Deep Network Designer App על מנת להוסיף, להחסיר או לשנות שכבות ברשת.

    Deep Networks

    אפליקציית ה-Deep Network Designer בעזרתה ניתן לייצר ולערוך רשתות למידה עמוקה באופן אינטראקטיבי וללא כתיבת שורת קוד אחת

     חישוב מקבילי

    ניתן לבצע את האימון באמצעות CPU, GPU, מספר GPUs מקבילים, ענן GPUs, או NVIDIA GDX.
    MATLAB תומך בכך ומאפשר את השינוי בין האפשרויות השונות על ידי שינוי שורת קוד בודדת.

    אפליקציית ה-Experiment Manager, שמאפשרת לנהל מספר רב של ניסויים ברשתות למידה עמוקה, לנתח, להשוות תוצאות ולעזור לטייב את ערכי ההיפרפרמטרים שיתנו את תוצאות הלמידה הטובות ביותר

    דוגמאות ליישומי ביו-רפואה:

    סיווג אותות ECG באמצעות אנליזת Wavelet ולמידה עמוקה

    דוגמה זו מראה איך לסווג אותות ECG של בני אדם באמצעות שימוש בהתמרת-CWT וברשת-CNN.

    סיווג אותות ECG באמצעות רשתות LSTM

    דוגמה זו מראה כיצד אפשר לסווג אותות ECG באמצעות עיבוד אות ולמידה עמוקה, על ידי שימוש בניתוח זמן-תדר ורשתות LSTM.

    הטמעה בחומרה ייעודית

    לאחר ייצור מודל הdeep learning המבוקש ניתן להטמיע אותו ולצרוב אותו בצורה אוטומטית לחומרה ייעודית או לייצר קוד C/C++ שמאפשר הטמעה בתוך קוד אחר.

    דוגמאות ל-Deep learning של אותות שמע:

    זיהוי פקודות קוליות

    דוגמה זו מראה כיצד לאמן מודל deep learning  שמזהה פקודה קולית  מתוך סט פקודות מוגדר מראש.

    בידוד קול מתוך מגוון קולות בסביבה רועשת

    דוגמה זו מראה כיצד ניתן להשתמש בdeep learning על מנת לבודד אות דיבור ספציפי בסביבה רועשת (Cocktail party)

    הפחתת רעש באות

    דוגמה זו מראה כיצד ניתן להפחית רעש מאותות דיבור באמצעות רשתות deep learning. הדוגמה משווה בין ביצועים שני סוגי רשתות שמבצעות את אותה המשימה (Fully connected ו-CNN).

    גילוי קול ברעש על ידי שימוש ב-Deep Learning

    דוגמה זו מראה איך ניתן לזהות אזורי דיבור באות שמע בעל SNR נמוך, על ידי שימוש בdeep learning. הגילוי נעשה על ידי שימוש ברשת Bidirectional Long Short-Term Memory (BiLSTM.

    זיהוי מגדר הדובר

    דוגמה זו מראה כיצד לסווג את מגדר הדובר באות שמע באמצעות deep learning, על ידי שימוש במגוון תכונות של אות הדיבור.

    זיהוי ספרות באות דיבור

    דוגמה זו מראה איך ניתן לסווג ספרות שנאמרו באות דיבור על ידי שימוש ב- wavelet time scatteringו- deep convolutional network

    סיווג ז'אנר מוסיקלי

    דוגמה זו מראה כיצד ניתן לסווג את הז'אנר של קטע מוסיקלי על ידי שימוש ב- wavelet time scattering ובפקודת – audio datastore. ב- wavelet scatteringהאות עובר דרך מספר שכבות של התמרות wavelets, אי-לינאריות ומיצוע, על מנת לייצר אותות בעלי גודל קטן הרבה יותר תוך שמירה על מאפייני האות.