Wavelet Toolbox

웨이블릿을 사용하여 신호 및 이미지를 분석하고 합성할 수 있습니다.

 

Wavelet Toolbox™는 신호 및 이미지를 분석하고 합성하는 함수와 앱을 제공합니다. 이 툴박스에는 연속 웨이블릿 분석, 웨이블릿 일관성, 싱크로스퀴징, 데이터 적응 시간-주파수 분석을 위한 알고리즘이 있습니다. 또한 웨이블릿 패킷 및 듀얼 트리 변환을 비롯해 신호와 이미지의 데시메이션 및 비데시메이션 이산 웨이블릿 분석을 위한 앱과 함수도 있습니다.

연속 웨이블릿 분석을 사용하면 시간에 따른 스펙트럼 특징의 변화를 살펴보고, 두 신호에서 공통된 시변 패턴을 식별하고, 시간대별 필터링을 수행할 수 있습니다. 이산 웨이블릿 분석을 사용하면 서로 다른 해상도에서 신호와 이미지를 분석하여 변화 지점, 불연속 지점 및 그 밖에 원시 데이터에서 보기 어려운 이벤트를 검출할 수 있습니다. 여러 스케일로 신호의 통계량을 비교할 수 있고, 데이터의 프랙털 분석을 수행하여 숨겨진 패턴을 찾아낼 수 있습니다.

Wavelet Toolbox를 사용하면 데이터를 희소 형식으로 표현할 수 있어 중요한 특징은 보존하면서도 잡음을 제거하거나 데이터를 압축할 수 있습니다. 여러 함수를 통해 데스크탑 프로토타이핑 및 임베디드 시스템 배포를 위한 C/C++ 코드 생성을 지원합니다.

시작하기:

웨이블릿을 사용한 머신러닝 및 딥러닝

웨이블릿 기법을 사용하여 머신러닝 및 딥러닝 워크플로에 사용되는 특징을 얻을 수 있습니다.

웨이블릿 스캐터링

실수 값 시계열 및 이미지 데이터에서 분산이 작은 특징을 도출하여 머신러닝 및 딥러닝에서 분류와 회귀를 위해 사용할 수 있습니다.

웨이블릿 시간 스캐터링을 사용한 음악 장르 분류

딥러닝을 위한 웨이블릿 기반 기법

연속 웨이블릿 분석을 사용하여 시계열 데이터의 2차원 시간-주파수 맵을 생성하고, 이를 심층 CNN(컨벌루션 신경망)의 입력값으로 사용할 수 있습니다.

웨이블릿 분석 및 딥러닝을 사용하여 시계열 분류

참조 예제

예제를 통해 머신러닝 및 딥러닝을 위한 웨이블릿 기반 기법을 사용하는 방법을 익힐 수 있습니다.

웨이블릿 스캐터링을 사용한 숫자 분류

시간-주파수 분석

신호와 이미지에서 시간에 따른 주파수 성분의 변화를 분석할 수 있습니다.

연속 웨이블릿 변환

Wavelet Analyzer 앱을 사용하여 CWT(연속 웨이블릿 변환)로 시간 및 주파수 영역에서 동시에 신호와 이미지를 분석할 수 있습니다. 웨이블릿 일관성을 사용하여 공통된 시변 패턴을 확인할 수 있습니다.

웨이블릿 싱크로스퀴징을 사용하여 신호에서 더 뚜렷한 해상도를 얻고 진동 모드를 추출할 수 있습니다. 신호의 시간-주파수 국소화된 근사를 재구성하거나 시간대별 주파수 성분을 필터링할 수 있습니다.

금융 데이터의 웨이블릿 분석

상수-Q 변환

CQT(상수-Q 변환)로 비정상 Gabor 프레임을 사용하여 적응 시간-주파수 분석을 수행할 수 있습니다.

상수-Q 비정상 가보르 변환

이산 다해상도 분석

함수와 앱을 사용하여 신호, 이미지 및 볼륨에 대한 다해상도 분석을 수행할 수 있습니다.

데시메이션 웨이블릿 및 웨이블릿 패킷 분석 

데시메이션 DWT(이산 웨이블릿 변환)를 수행하여 점점 더 협소해지는 옥타브 대역에서 신호, 이미지 및 3차원 볼륨을 분석할 수 있습니다.

웨이블릿 패킷 변환을 사용하여 데이터의 전체적인 에너지를 보존하면서도 신호와 이미지의 주파수 성분을 점점 더 협소해지는 동일 너비 간격으로 분할할 수 있습니다. 듀얼 트리 웨이블릿 변환을 사용하여 신호와 이미지의 최소한의 중복성을 갖는 이동 불변 이산 웨이블릿 분석을 얻을 수 있습니다.

1차원 웨이블릿 분해

비데시메이션 웨이블릿 및 웨이블릿 패킷 분석

SWT(정상 웨이블릿 변환), MODWT(최대 중첩 이산 웨이블릿 변환), 최대 중첩 웨이블릿 패킷 변환과 같은 비데시메이션 웨이블릿 변환을 구현할 수 있습니다.

Signal Multiresolution Analyzer 앱을 사용하여 신호의 다중 수준 웨이블릿 또는 경험 모드 분해를 생성하고 비교할 수 있습니다.

Signal Multiresolution Analyzer 앱을 사용한 MODWT

데이터 적응 변환

EMD(경험 모드 분해), VMD(변동 모드 분해)와 같은 기법을 사용하여 비선형 또는 비정상 과정을 내재적 진동 모드로 분해할 수 있습니다.

신호에 대해 힐베르트 스펙트럼 분석을 수행하여 국소화된 특징을 식별할 수 있습니다.

변동 모드 분해

필터 뱅크

함수를 사용하여 일반적인 직교 및 쌍직교 웨이블릿 필터를 얻고 사용합니다. 리프팅을 통해 완벽한 재구성 필터 뱅크를 설계할 수 있습니다.

직교 및 쌍직교 필터 뱅크

Daubechies, Coiflet, Haar 및 기타 직교 웨이블릿 필터 뱅크를 사용하여 다해상도 분석 및 특징 검출을 수행할 수 있습니다.

데이터 압축에 쌍직교 스플라인 및 역스플라인과 같은 쌍직교 필터 뱅크를 사용할 수 있습니다.

쌍직교 스케일링 함수와 웨이블릿

리프팅

리프팅은 신호나 이미지에 대해 이산 웨이블릿 변환을 구현할 수 있는 연산적으로 효율적인 방법입니다.

리프팅 방법을 사용하여 1세대 및 2세대 웨이블릿을 설계할 수 있습니다. 리프팅은 여러 해상도나 스케일에서 신호나 이미지를 분석할 수 있는 연산적으로 효율적인 방법입니다.

Haar의 원시 리프팅

잡음 제거 및 압축

함수와 앱을 사용하여 신호와 이미지의 잡음을 제거하고 압축할 수 있습니다.

잡음 제거

웨이블릿 및 웨이블릿 패킷 잡음 제거 기법을 통해 다른 잡음 제거 기법에 의해 제거되었거나 평활화된 특징을 보존할 수 있습니다.

1차원 신호의 시각화 및 잡음 제거를 위해 Wavelet Signal Denoiser 앱을 사용할 수 있습니다.

Wavelet Signal Denoiser 앱을 통한 신호의 잡음 제거

압축

웨이블릿 및 웨이블릿 패킷을 사용하여 체감 품질에 영향을 주지 않으면서도 데이터를 제거하여 신호와 이미지를 압축할 수 있습니다.

2차원 실제 압축.

가속화 및 배포

C/C++ 및 CUDA® 코드와 MEX 함수를 생성하고, GPU(그래픽 처리 장치)에서 함수를 실행할 수 있습니다.

코드 가속

지원되는 함수에 대해 GPU 및 멀티코어 프로세서를 사용하여 코드를 가속화할 수 있습니다.

GPU 가속을 사용한 음성 숫자 인식

C/C++ 코드 생성

MATLAB® Coder™를 사용하여, C/C++ 코드 생성을 지원하는 Wavelet Toolbox™ 함수로부터 독립 실행형 ANSI 호환 C/C++ 코드를 생성할 수 있습니다.

지원되는 함수에 대해 NVIDIA GPU에서 실행할 수 있도록 최적화된 CUDA 코드를 생성할 수 있습니다.

신호 잡음 제거를 위한 코드 생성

최신 기능

시간-주파수 분석

변동 모드 분해를 사용한 내재 모드 추출

Kingsbury Q-shift 듀얼 트리 복소수 웨이블릿 변환

최소한의 중복성으로 방향성을 갖는 이동 불변 이산 다해상도 분석 수행

1차원 다중 신호 이산 웨이블릿 패킷 변환

다중채널 신호의 웨이블릿 패킷 분석 자동 수행

새로운 예제

연속 웨이블릿 분석 및 다해상도 분석을 위한 실습 입문

wcoherence 함수

사용자 지정 주파수 또는 기간 범위에 대한 웨이블릿 일관성 계산

GPU 컴퓨팅

연속 웨이블릿 변환 및 Wigner-Ville 분포 가속

GPU 코드 생성

cwt를 위한 단정밀도 코드 생성

C/C++ 코드 생성:

이산 웨이블릿 분석, 시간-주파수 분석, 잡음 제거, 멀티스케일 분산 추정 및 cwtfilterbank의 단정밀도 코드를 위한 코드 자동 생성

위 기능과 해당 함수에 대한 자세한 내용은 릴리스 정보를 참조하십시오.