Wavelet Toolbox

使用小波分析并合成信号和图像

Wavelet Toolbox™ 提供一系列函数和 App，可用于分析及合成信号和图像。该工具箱包含连续小波分析、小波相干、同步压缩和数据自适应时频分析算法。该工具箱还包含对信号和图像进行抽取和非抽取离散小波分析的 App 和函数，包括小波包和双树变换。

使用连续小波分析，您可以探索频谱特征如何随时间演变，识别两个信号共有的时变模式，并执行时域局部化滤波。使用离散小波分析，您可以基于多种分辨率分析信号和图像，以检测原始数据难以直接呈现的变化点、不连续点和其他事件。您可以在多个尺度上比较信号统计量，并对数据执行分形分析以揭示隐藏的模式。

使用 Wavelet Toolbox，您可以获得数据的稀疏表示，这有助于在保留重要特征的同时对数据进行去噪或压缩。许多工具箱函数支持 C/C++ 代码生成，可实现桌面原型和嵌入式系统部署。

Wavelet Toolbox 概述

使用小波进行机器学习和深度学习

从实值时序和图像数据中提取低方差特征，用于机器学习和深度学习中的分类和回归。使用连续小波分析生成时序数据的二维时频图，可将其用作深度卷积神经网络 (CNN) 的输入。

文档 | 示例

时频分析

利用小波分析仪，通过连续小波变换 (CWT) 对信号或图像进行时频联合分析。利用小波相干来揭示共有的时变模式。使用非平稳 Gabor 帧和常 Q 变换 (CQT) 执行自适应时频分析。

文档 | 示例

离散多分辨率分析

执行抽取离散小波变换 (DWT)，以在渐进细化的倍频程频带中分析信号、图像和三维体。实现非抽取小波变换。使用适当方法将非线性或非平稳过程分解为固有振荡模态。

文档 | 示例

滤波器组

利用 Daubechies、Coiflet、Haar 等正交小波滤波器组执行多分辨率分析和特征检测。使用提升方法设计第一代和第二代小波。在基于不同分辨率或尺度分析信号和图像时，提升方法同样具有良好的计算效率。

文档 | 示例

去噪和压缩

小波和小波包去噪方法可以保留某些特征，而其他去噪方法会去除或平滑这些特征。小波信号去噪器可用于一维信号的可视化和去噪。利用小波和小波包来压缩信号和图像，在不影响感知质量的前提下去除数据。

文档 | 示例

加速和部署

使用 GPU 和多核处理器运行受支持的函数，从而加快代码执行速度。对于支持 C/C++ 代码生成的 Wavelet Toolbox 函数，可使用 MATLAB^® Coder™ 为其生成独立的 ANSI 兼容 C/C++ 代码。为支持的函数生成优化 CUDA 代码以在 NVIDIA GPU 上运行。

文档 | 示例