신호 처리를 위한 딥러닝

딥러닝은 다양한 신호 처리 활용 분야를 해결하는 예측 모델을 개발할 새로운 기회를 제공합니다. MATLAB®은 데이터 탐색부터 딥 네트워크상의 신호 처리 시스템 구현에까지 이르는 전체 워크플로를 지원합니다. 다음과 같은 신호 처리 전용 기능을 사용하여 쉽게 시작할 수 있습니다.  

  • 대화형 방식으로 신호 분석, 전처리 및 주석 달기
  • 심층 신경망 학습을 위한 특징 추출 및 신호 변환
  • 생체 의학, 오디오, 통신, 레이더를 비롯한 실제 응용 분야를 위한 딥러닝 모델 설계
  • 하드웨어 연결 및 시뮬레이션을 통한 신호 데이터셋 획득 및 생성

“신호 처리와 웨이블릿 분석에 있어서는 MATLAB에 대적할 경쟁자가 없다고 생각합니다. 여기에 통계 및 머신 러닝 기능까지 더해지면, 프로그래머가 아닌 일반인들도 이러한 방법들을 모두 결합해야 하는 프로젝트에서 특히 MATLAB을 즐겨 사용하는 이유가 무엇인지 알 수 있습니다.”

Ali Bahrami Rad, Aalto University

신호 라벨링 및 데이터셋 관리

MATLAB에서는 사이즈가 너무 커서 메모리에 맞지 않는 다량의 신호 데이터를 관리하고 라벨을 지정하는 등의 작업으로 신호 데이터를 준비하는 데 도움이 되는 내장 앱과 도메인별 툴을 사용할 수 있습니다.

자세히 보기

시간-주파수 변환

시간-주파수 표현은 신호의 스펙트럼 성분이 시간의 함수로서 어떻게 변화하는지를 설명합니다. 시간-주파수 표현으로부터 패턴을 식별하고 추출하는 딥러닝 네트워크를 학습시킬 수 있습니다. 추가적으로, 스펙트로그램, mel-frequency 스펙트로그램, Wigner-Ville, 연속 웨이블릿 변환(스케일로그램)을 비롯한 시간-주파수 표현을 생성하는 다양한 기법을 선택하여 사용할 수 있습니다.

자세히 보기

전처리 및 특징 추출

신호 전처리는 신호의 전체적인 품질을 향상시키기 위한 중요한 단계입니다. 딥 네트워크를 학습시키기 전에 내장 함수와 앱을 사용하여 신호를 정리하고 원치 않는 잡음을 제거할 수 있습니다. 또한, 딥러닝 모델의 학습을 위해 신호에서 표준 특징과 도메인별 특징을 추출하여 데이터 차원을 줄일 수 있습니다. 뿐만 아니라 웨이블릿 스캐터링과 같은 자동 특징 추출 기법을 사용하여 신호에서 분산이 작은 특징을 획득하여 딥 네트워크를 학습시킬 수도 있습니다.

자세히 보기

신호 생성 및 획득

딥러닝 모델에는 일반적으로 학습 및 검증을 위해 방대한 양의 데이터가 필요합니다. 딥러닝 기법을 도입하는 데 데이터 가용성이 제한 요인으로 작용하는 경우도 있습니다. MATLAB과 신호 처리 애플리케이션용 애드온을 사용하면 실제 시나리오와 비슷한 합성 데이터를 시뮬레이션하고 딥러닝 기법을 사용하여 모델을 개발할 수 있습니다. 외부 하드웨어와 MATLAB 간의 인터페이스를 통해, 초기 프로토타입으로 학습된 모델을 검증하기 위한 용도로 실제 데이터를 획득할 수 있습니다.

자세히 보기

네트워크 설계, 학습 및 배포

대화형 방식으로 네트워크를 설계하고, NVIDIA® GPU를 사용하여 학습 속도를 높이고, 더 빠르게 양질의 결과를 얻으십시오.

설계

사전 학습된 모델을 ONNX™를 사용하여 가져온 다음 Deep Network Designer 앱을 사용하여 계층을 추가하거나, 제거하거나, 순서를 바꿀 수 있습니다.

학습

GPU를 하나만 사용하든, 여러 개의 GPU를 사용하든, 클라우드 상의 GPU를 사용하든, 아니면 NVIDIA DGX를 사용하든, MATLAB은 코드 한 줄로 복수 GPU 학습을 지원합니다.

배포

어디에나 딥러닝 모델을 배포할 수 있습니다. ARM® 및 Intel® MKL-DNN에서 바로 실행되는 코드를 자동으로 생성하십시오. 딥러닝 모델을 가져와서 TensorRT 및 CuDNN 라이브러리를 대상으로 하는 CUDA® 코드를 생성하십시오.

자세히 보기