Wavelet Toolbox
使用小波分析及合成信号和图像
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。
快速入门:
使用基于小波的方法进行深度学习
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。
参考示例
通过示例学习如何使用基于小波的方法进行机器学习和深度学习。
连续小波变换
利用 Wavelet Analyzer,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。
利用小波同步压缩,获取更高分辨率的信号并从中提取振荡模态。可以重构信号的时频局部化近似,也可以滤除时域局部化频率分量。
常 Q 变换
使用非平稳 Gabor 帧和常 Q 变换 (CQT) 执行自适应时频分析。
常 Q 非平稳 Gabor 变换
非抽取小波和小波包分析
实现非抽取小波变换,如平稳小波变换 (SWT),最大重叠离散小波变换 (MODWT) 和最大重叠小波包变换。
使用 Signal Multiresolution Analyzer 生成并比较信号的多级小波或经验模态分解。
数据自适应变换
利用经验模态分解 (EMD) 和变分模态分解 (VMD) 等方法将非线性或非平稳过程分解为固有振荡模态。
对信号执行 Hilbert 谱分析以识别局部化特征。
正交和双正交滤波器组
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。
双正交样条和反样条等双正交滤波器组可用于数据压缩。
提升
提升也是一种高效计算方法,可实现信号或图像的离散小波变换。
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。
去噪
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。
Wavelet Signal Denoiser 可用于一维信号的可视化和去噪。
生成 C/C++ 代码
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。
经验小波变换
使用完全自动化的频谱分割执行自适应信号分解
CWT 边界
获取并可视化时间平均和尺度平均的小波频谱
GPU 加速
使用 GPU 加快离散小波和时频变换等函数的执行
C/C++ 代码生成
为去噪、离散小波分析和时频函数生成 C/C++代码
GPU 代码生成
为离散小波分析函数生成 CUDA 代码
关于这些特性和相应函数的详细信息,请参阅发行说明。