Wavelet Toolbox

 

Wavelet Toolbox

对信号和图像进行时频和小波分析

使用小波进行机器学习和深度学习

从实值时间序列和图像数据中提取低方差特征,以用于使用机器学习和深度学习进行分类和回归。使用连续小波分析生成时间序列数据的二维时频图,将其用作深度卷积神经网络 (CNN) 的输入。

时频分析

用连续小波变换 (CWT) 进行信号的时频联合分析,以及图像的空间、空间频率和角度联合分析。使用时频分析器来可视化实数值和复数值信号的尺度图。使用非平稳 Gabor 帧和常 Q 变换 (CQT) 执行自适应时频分析。

离散多分辨率分析

使用抽取离散小波变换 (DWT) 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。使用经验模态分解 (EMD) 将非线性或非平稳过程分解为固有振荡模态。

滤波器组

使用双树滤波器组来增强图像中的方向选择性。使用提升方法设计自定义滤波器组。提升同样为分析不同分辨率或尺度的信号和图像提供了计算效率良好的方法。

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。利用小波和小波包算法来压缩信号和图像,在不影响感知质量的前提下去除数据。

加速和部署

使用 GPU 和多核处理器运行支持的函数,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。

获取免费试用版

30 天探索触手可及。


准备购买?

获取报价并了解相关产品。

您是学生吗?

您的学校可能已拥有 Campus-Wide License 并允许您直接使用 MATLAB、Simulink 和其他附加产品。