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。

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。

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。

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。

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。

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。

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。

“我们使用 MATLAB 开发算法,成功帮助患者恢复手臂和手的基本控制。在研究后期,患者可以抓握瓶子、倒出里面的东西、放下瓶子,还可以拿起一根搅拌棒进行搅拌。”

David Friedenberg, Battelle

获取免费试用版

30 天探索触手可及。


准备购买?

获得定价信息并了解相关产品。

您是学生吗?

获取 MATLAB 和 Simulink 学生版软件。