Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

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 저분산 데이터 표현을 생성할 수 있습니다. 웨이블릿 산란은 정의한 스케일상의 시간 이동에 강인한 콤팩트(compact)한 데이터 표현을 생성하는 데 요구되는 사용자 지정 파라미터가 적습니다. 이러한 표현은 분류 및 회귀를 위한 머신러닝 알고리즘과 함께 사용할 수 있습니다.

CWT(연속 웨이블릿 변환)를 사용하여, 2차원 컨벌루션 신경망과 함께 사용할 수 있는 시계열 데이터의 2차원 시간-주파수 맵을 생성할 수 있습니다. 심층 CNN에 사용할 시간-주파수 표현을 생성하면 신호 분류에 매우 효과적입니다. 시계열 데이터의 정상 상태 및 과도 동작을 동시에 캡처하는 CWT의 기능은 심층 CNN과 짝을 이룰 때의 웨이블릿 기반 시간-주파수 표현을 특히 강인하게 만듭니다.

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.

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

함수

모두 확장

cwtfilterbankContinuous wavelet transform filter bank
dlmodwtDeep learning maximal overlap discrete wavelet transform and multiresolution analysis
dlstftDeep learning short-time Fourier transform
lwt1-D lifting wavelet transform
melSpectrogramMel spectrogram
modwptMaximal overlap discrete wavelet packet transform
modwtMaximal overlap discrete wavelet transform
stftLayerShort-time Fourier transform layer
waveletScatteringWavelet time scattering
wvd위그너-빌 분포 및 평활화된 유사 위그너-빌 분포
audioDatastoreDatastore for collection of audio files
augmentedImageDatastore배치를 변환하여 영상 데이터 증대
imageDatastore이미지 데이터의 데이터저장소
signalDatastoreDatastore for collection of signals
labeledSignalSetCreate labeled signal set
signalLabelDefinitionCreate signal label definition

도움말 항목