Машинное обучение и глубокое обучение
Основанные на вейвлете методы для машинного обучения и глубокого обучения, ускорения графического процессора, аппаратного развертывания, маркировки сигнала
Методы вейвлета являются эффективными для получения разреженных, сжимающих представлений данных или функций, которые можно использовать в рабочих процессах глубокого обучения и машинном обучении. Wavelet Toolbox поддерживает развертывание многошкальных алгоритмов извлечения признаков через MATLAB® Coder™ и GPU Coder™ для многих целей. Чтобы использовать в своих интересах выигрыши в производительности, предлагаемые современным графическим процессором (GPU), определенные функции Wavelet Toolbox™ могут выполнить операции на графическом процессоре. Эти функции обеспечивают ускорение графического процессора для ваших рабочих процессов. Wavelet Toolbox также обеспечивает функциональность, чтобы выполнить маркировку сигнала.
- Работа с сигналами
Анализ мультиразрешения, время вейвлета, рассеиваясь, непрерывный вейвлет преобразовывает, не десятикратно уменьшил дискретный вейвлет, преобразовывают, распределение Wigner-Ville, mel спектрограмма
- Работа с изображениями
Рассеивание вейвлета изображений, 2D непрерывный вейвлет преобразовывает, shearlets, стационарный вейвлет преобразовывают
- Ускорение графического процессора
Извлечение признаков на графических процессорах для машинного обучения и рабочих процессов глубокого обучения
- Аппаратное развертывание
Генерация кода C/C++, генерация кода графического процессора, Raspberry Pi™, NVIDIA® Джетсон®
