Wavelet Toolbox

使用小波分析并合成信号和图像

Wavelet Toolbox™ 提供用于分析和合成信号与图像的 App 及函数。您可以检测异常、变化点和瞬变等事件，并对数据进行去噪和压缩。小波和其他多尺度方法可用于分析不同时间和频率分辨率的数据，并将信号和图像分解成不同分量。您可以使用小波方法来降维，并从信号和图像中提取有区别的特征来训练机器学习和深度学习模型。

使用 Wavelet Toolbox，您能够以交互方式对信号进行去噪，执行多分辨率和小波分析，并生成 MATLAB^® 代码。该工具箱包括连续和离散小波分析、小波包分析、多分辨率分析、小波散射和其他多尺度分析的算法。

许多工具箱函数支持 C/C++ 和 CUDA^® 代码生成，可用于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

从实值时间序列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。

文档 | 示例

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。使用小波相干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。使用提升方法设计自定义滤波器组。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

通过使用 GPU 和多核处理器运行受支持的函数，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