신호로 작업하기

다중분해능 분석, 웨이블릿 시간 산란, 연속 웨이블릿 변환, 데시메이션되지 않은 이산 웨이블릿 변환, 위그너-빌 분포, 멜 스펙트로그램

웨이블릿 산란을 사용하면 클래스 간의 판별 가능성을 유지하면서 클래스 내의 차이를 최소화하는, 분산이 작은 데이터 표현을 생성할 수 있습니다. 웨이블릿 산란은 최소한의 파라미터만 지정하여도 사용자가 정의한 스케일에서 시간 이동에 강인한 데이터를 간결하게 표현할 수 있습니다. 이 표현을 분류 및 회귀를 위한 머신러닝 알고리즘에 사용할 수 있습니다.

CWT(연속 웨이블릿 변환)를 사용하여 시계열 데이터의 2차원 시간-주파수 맵을 생성할 수 있으며 이를 2차원 컨벌루션 신경망에 사용할 수 있습니다. 시간-주파수 표현을 생성해서 심층 CNN에 사용하면 신호 분류에 매우 효과적입니다. 시계열 데이터에서 정상 상태와 과도 동작을 동시에 캡처할 수 있는 CWT의 능력은 특히 심층 CNN과 함께 사용했을 때 웨이블릿 기반 시간-주파수 표현을 강인하게 만듭니다. 딥러닝 신경망 내에서 MODWT(최대 중첩 이산 웨이블릿 변환)와 MODWT MRA(다중분해능 분석)를 계산할 수도 있습니다.

Signal Processing Toolbox™ 라이선스가 있으면 단시간 푸리에 변환을 머신러닝 및 딥러닝 워크플로에 포함할 수 있습니다. 신호 레이블 지정기 (Signal Processing Toolbox)를 사용하여 분석에 사용할 신호 또는 머신러닝과 딥러닝 응용 사례에 사용할 신호에 레이블을 지정할 수도 있습니다. 신호 레이블 지정기는 데이터를 labeledSignalSet 객체로 저장합니다. Audio Toolbox™ 라이선스가 있는 경우 Import and Play Audio File Data in Signal Labeler (Signal Processing Toolbox) 작업을 수행할 수 있습니다. 특징 추출에 melSpectrogram (Audio Toolbox)도 사용할 수 있습니다.

앱

신호 레이블 지정기

관심 있는 신호 특성, 신호 영역, 신호 지점에 레이블 지정 및 특징 추출

함수

모두 확장

계층

`cwtLayer`	Continuous wavelet transform layer (R2022b 이후)
`modwtLayer`	Maximal overlap discrete wavelet transform layer (R2022b 이후)
`stftLayer`	Short-time Fourier transform layer (R2021b 이후)

특징 추출

`array2cwtfilters`	Convert deep-learning CWT filter tensor to filter bank matrix (R2022b 이후)
`cwtfilterbank`	Continuous wavelet transform filter bank
`cwtfilters2array`	Convert CWT filter bank to reduced-weight tensor for deep learning (R2022b 이후)
`dlcwt`	Deep learning continuous wavelet transform (R2022b 이후)
`dlmodwt`	Deep learning maximal overlap discrete wavelet transform and multiresolution analysis (R2022a 이후)
`dlstft`	Deep learning short-time Fourier transform (R2021a 이후)
`lwt`	1-D lifting wavelet transform (R2021a 이후)
`melSpectrogram`	Mel spectrogram
`modwpt`	Maximal overlap discrete wavelet packet transform
`modwt`	Maximal overlap discrete wavelet transform
`waveletScattering`	Wavelet time scattering
`wentropy`	Wavelet entropy
`wvd`	위그너-빌 분포 및 평활화된 유사 위그너-빌 분포

데이터저장소

`audioDatastore`	Datastore for collection of audio files
`augmentedImageDatastore`	배치를 변환하여 영상 데이터 증대
`imageDatastore`	이미지 데이터의 데이터저장소
`signalDatastore`	Datastore for collection of signals (R2020a 이후)

신호 레이블 지정

`labeledSignalSet`	Create labeled signal set
`signalLabelDefinition`	Create signal label definition

도움말 항목

Detect Air Compressor Sounds in Simulink Using Wavelet Scattering (DSP System Toolbox)
Use the Wavelet Scattering block and a pretrained deep learning network to classify audio signals.
Detect Anomalies in ECG Data Using Wavelet Scattering and LSTM Autoencoder in Simulink (DSP System Toolbox)
Use wavelet scattering and deep learning network to detect anomalies in ECG signals.
Radar and Communications Waveform Classification Using Deep Learning (Phased Array System Toolbox)
Classify radar and communications waveforms using the Wigner-Ville distribution (WVD) and a deep convolutional neural network (CNN).
Radar Target Classification Using Machine Learning and Deep Learning (Radar Toolbox)
Classify radar returns using machine and deep learning approaches. (R2021a 이후)