Wavelet Toolbox

웨이블릿을 사용한 머신러닝 및 딥러닝

실수 값 시계열 및 영상 데이터에서 분산이 작은 특징을 도출하여 머신러닝 및 딥러닝에서 분류와 회귀에 사용할 수 있습니다. 연속 웨이블릿 분석을 사용하여 시계열 데이터의 2차원 시간-주파수 맵을 생성하고, 이를 심층 CNN(컨벌루션 신경망)의 입력값으로 사용할 수 있습니다.

문서 | 예제

시간-주파수 분석

Wavelet Analyzer 앱을 사용하여 CWT(연속 웨이블릿 변환)로 시간 및 주파수 영역에서 동시에 신호와 영상을 분석할 수 있습니다. 웨이블릿 일관성을 사용하여 공통된 시변 패턴을 확인할 수 있습니다. CQT(상수-Q 변환)로 비정상 가보르 프레임을 사용하여 적응적 시간-주파수 분석을 수행할 수 있습니다.

문서 | 예제

이산 다중해상도 분석

데시메이션 DWT(이산 웨이블릿 변환)를 수행하여 점점 더 협소해지는 옥타브 대역에서 신호, 영상 및 3차원 볼륨을 분석할 수 있습니다. 비데시메이션 웨이블릿 변환을 구현할 수 있습니다. 여러 기법을 활용해서 비선형 과정이나 비정상 과정을 진동의 내재 모드로 분해할 수 있습니다.

문서 | 예제

필터 뱅크

Daubechies, Coiflet, Haar 및 기타 직교 웨이블릿 필터 뱅크를 사용하여 다중해상도 분석 및 특징 검출을 수행할 수 있습니다. 리프팅 방법을 사용하여 1세대 및 2세대 웨이블릿을 설계할 수 있습니다. 리프팅은 여러 해상도나 스케일에서 신호나 영상을 분석할 수 있는 연산적으로 효율적인 방법입니다.

문서 | 예제

잡음 제거 및 압축

웨이블릿 및 웨이블릿 패킷 잡음 제거 기법을 통해 다른 잡음 제거 기법에 의해 제거되었거나 평활화된 특징을 보존할 수 있습니다. Wavelet Signal Denoiser 앱으로 1차원 신호를 시각화하고 잡음을 제거할 수 있습니다. 웨이블릿 및 웨이블릿 패킷을 사용하여 체감 품질에 영향을 주지 않고 데이터를 제거하여 신호와 영상을 압축할 수 있습니다.

문서 | 예제

가속화 및 배포

지원되는 함수에 대해 GPU 및 멀티코어 프로세서를 사용하여 코드 실행을 가속화할 수 있습니다. MATLAB^® Coder™를 사용하면 C/C++ 코드 생성을 지원하는 Wavelet Toolbox 함수로부터 독립형 ANSI 준수 C/C++ 코드를 생성할 수 있습니다. 지원되는 함수에 대해 NVIDIA GPU에서 실행할 수 있도록 최적화된 CUDA 코드를 생성할 수 있습니다.

문서 | 예제