Wavelet Toolbox

Analice y sintetice señales e imágenes con wavelets

Wavelet Toolbox™ ofrece apps y funciones para analizar y sintetizar señales e imágenes. Puede detectar eventos tales como anomalías, puntos de cambio y transitorios, así como eliminar el ruido de los datos y comprimirlos. Se pueden utilizar técnicas de wavelets y otras técnicas multiescala para analizar datos en diferentes resoluciones de tiempo y frecuencia, y para descomponer señales e imágenes en sus diversos elementos constituyentes. Puede utilizar técnicas de wavelets para reducir la dimensionalidad y extraer características distintivas de señales e imágenes para entrenar modelos de Machine Learning y Deep Learning.

Con Wavelet Toolbox, puede eliminar el ruido de las señales, realizar análisis de múltiples resoluciones y wavelets, y generar código de MATLAB^®, de manera interactiva. Esta toolbox incluye algoritmos para análisis de wavelets continuas y discretas, paquetes de wavelets, múltiples resoluciones, dispersión de wavelets, así como otros análisis multiescala.

Muchas de las funciones de la toolbox ofrecen soporte para la generación de código C/C++ y CUDA^® para realizar prototipado de escritorio y despliegue en sistemas integrados.

¿Qué es Wavelet Toolbox?

Machine Learning y Deep Learning con wavelets

Derive características de baja varianza a partir de series temporales y datos de imágenes con valores reales para realizar clasificación y regresión en Machine Learning y Deep Learning. Utilice el análisis de wavelets continuas para generar mapas de frecuencias temporales en 2D de datos de series temporales, que se pueden utilizar como entradas en redes neuronales convolucionales profundas (CNN).

Documentación | Ejemplos

Análisis de tiempo-frecuencia

Utilice la transformada wavelet continua (CWT) para analizar señales conjuntamente en el tiempo y la frecuencia, e imágenes conjuntamente en el espacio, el ángulo y la frecuencia espacial. Utilice la coherencia de wavelets para detectar patrones variantes en el tiempo frecuentes. Realice análisis adaptativos de tiempo-frecuencia utilizando tramas de Gabor no estacionarias con la transformada Q constante (CQT).

Documentación | Ejemplos

App Signal Multiresolution Analyser que muestra la interfaz de usuario.

Análisis de multirresolución discreto

Realice la transformada wavelet discreta diezmada (DWT) para analizar volúmenes en 3D, imágenes y señales en bandas de octavas progresivamente más delgadas. Implemente transformadas wavelet no diezmadas. Utilice técnicas para descomponer procesos no lineales o no estacionarios en modos intrínsecos de oscilación.

Documentación | Ejemplos

Bancos de filtros

Utilice bancos de filtros de wavelets ortogonales, tales como Daubechies, Coiflet, Haar y otros, para realizar análisis de multirresolución y detección de características. Diseñe bancos de filtros personalizados con el método de elevación. La elevación también proporciona un enfoque eficiente en términos computacionales para analizar señales e imágenes con diferentes resoluciones o escalas.

Documentación | Ejemplos

Eliminación de ruido y compresión

Utilice técnicas de eliminación de ruido en wavelets y paquetes de wavelets para mantener las características suprimidas o suavizadas por otras técnicas de eliminación de ruido. La app Wavelet Signal Denoiser permite visualizar y eliminar el ruido de señales en 1D. Utilice wavelets y paquetes de wavelets para comprimir señales e imágenes eliminando datos sin afectar a la calidad de la percepción.

Documentación | Ejemplos

Aceleración de la coherencia de wavelets y otras funciones de wavelets en GPU.

Aceleración y despliegue

Acelere el código utilizando GPU y procesadores multinúcleo para las funciones admitidas. Utilice MATLAB Coder™ para generar código C/C++ independiente conforme con ANSI a partir de las funciones de Wavelet Toolbox que admiten la generación de código C/C++. Genere código CUDA optimizado ejecutable en GPU de NVIDIA^® para las funciones admitidas.

Documentación | Ejemplos