Wavelet Toolbox
Analice y sintetice señales e imágenes mediante wavelets
Wavelet Toolbox™ proporciona funciones y apps para analizar y sintetizar señales e imágenes. La toolbox incluye algoritmos para análisis continuo de wavelets, coherencia de wavelets, synchrosqueezing y análisis de tiempo-frecuencia adaptativos de datos. La toolbox también incluye apps y funciones para el análisis discreto de wavelets diezmado y no diezmado de señales e imágenes, incluidos paquetes de wavelets y transformadas de árbol doble.
Mediante el análisis continuo de wavelets, puede explorar cómo las características espectrales evolucionan con el tiempo, identificar patrones comunes variables en el tiempo en dos señales y realizar el filtrado localizado en el tiempo. Mediante el análisis discreto de wavelets, puede analizar señales e imágenes con diferentes resoluciones para detectar puntos de cambio, discontinuidades y otros eventos que no son fácilmente visibles en los datos sin procesar. Puede comparar estadísticas de señales en diversas escalas y realizar análisis fractales de datos para revelar patrones ocultos.
Con Wavelet Toolbox, puede obtener una representación dispersa de los datos, lo que resulta útil para eliminar el ruido en los datos o comprimirlos mientras se conservan las características importantes. Muchas de las funciones de esta toolbox soportan la generación de código C/C++ para el prototipado de escritorio y el despliegue de sistemas embebidos.
Cómo empezar:
Dispersión de wavelets
Derive características de baja varianza a partir de series temporales y datos de imágenes con valores reales para usar en clasificación y regresión en machine learning y deep learning.
Clasificación de géneros musicales mediante dispersión de wavelets en el tiempo
Técnicas basadas en wavelets para deep learning
Utilice el análisis continuo de wavelets para generar mapas de frecuencias temporales 2D de datos de series temporales, que se pueden utilizar como entradas con redes neuronales convolucionales profundas (CNN).
Clasificación de series temporales mediante análisis de wavelets y deep learning
Ejemplos de referencia
Utilice ejemplos para comenzar a usar técnicas basadas en wavelets para machine learning y deep learning.
Clasificación de dígitos mediante dispersión de wavelets
Transformada wavelet continua
Analice señales e imágenes conjuntamente en tiempo y frecuencia con la transformada wavelet continua (CWT) mediante la app Wavelet Analyzer. Utilice la coherencia de wavelets para revelar patrones variables en el tiempo comunes.
Obtenga una resolución más nítida y extraiga los modos oscilantes de una señal mediante synchrosqueezing de wavelets. Reconstruya aproximaciones localizadas en tiempo-frecuencia de señales o filtre componentes de frecuencia localizados en el tiempo.
Análisis de wavelets de datos financieros
Transformada Q constante
Realice análisis adaptativos de tiempo-frecuencia utilizando cuadros Gabor no estacionarios con la transformada Q constante (CQT).
Transformada de Gabor no estacionaria de Q constante
Análisis de paquetes de wavelets y wavelets diezmadas
Realice la transformada wavelet discreta diezmada (DWT) para analizar señales, imágenes y volúmenes 3D en bandas de octavas progresivamente más finas.
Utilice transformadas de paquetes de wavelets para dividir el contenido de frecuencia de señales e imágenes en intervalos progresivamente más estrechos de igual ancho, preservando al mismo tiempo la energía total de los datos. Utilice transformadas wavelet de árbol doble para obtener análisis de wavelets discretas mínimamente redundantes e invariantes al cambio de señales e imágenes.
Descomposición de wavelets 1D
Análisis de paquetes de wavelets y wavelets no diezmadas
Implemente transformadas wavelet no diezmadas, tales como la transformada wavelet estacionaria (SWT), la transformadas wavelet discreta de superposición máxima (MODWT) y la transformada de paquetes de wavelets de superposición máxima.
Utilice la app Signal Multiresolution Analyzer para generar y comparar descomposiciones de wavelets de varios niveles o modos empíricos de señales.
MODWT mediante la app Signal Multiresolution Analyzer
Transformadas adaptativas de datos
Descomponga procesos no lineales o no estacionarios en modos intrínsecos de oscilación utilizando técnicas tales como la descomposición de modo empírico (EMD) y la descomposición de modo variable (VMD).
Realice el análisis espectral de Hilbert en señales para identificar características localizadas.
Descomposición de modo variable
Bancos de filtros ortogonales y biortogonales
Utilice bancos de filtros de wavelets ortogonales, tales como los de Daubechies, Coiflet, Haar y otros, para realizar análisis multirresolución y detección de características.
Los bancos de filtros biortogonales, tales como los de spline biortogonal y spline inverso, se pueden utilizar para la compresión de datos.
Función de escalado biortogonal y wavelet
Elevación
La elevación también proporciona un enfoque computacionalmente eficiente para implementar la transformada wavelet discreta en señales o imágenes.
Diseñe wavelets de primera y segunda generación utilizando el método de elevación. La elevación también proporciona un enfoque computacionalmente eficiente para analizar señales e imágenes con diferentes resoluciones o escalas.
Elevación primaria de Haar
Eliminación de ruido
Utilice técnicas de eliminación de ruido de wavelets y de paquetes de wavelets para retener características que se eliminan o suavizan mediante otras técnicas de eliminación de ruido.
La app Wavelet Signal Denoiser se puede usar para visualizar señales 1D y eliminar el ruido en ellas.
Eliminación de ruido en una señal con Wavelet Signal Denoiser
Compresión
Utilice wavelets y paquetes de wavelets para comprimir señales e imágenes mediante la eliminación de datos sin afectar a la calidad perceptiva.
Compresión real bidimensional.
Aceleración del código
Acelere el código utilizando GPU y procesadores multinúcleo para las funciones soportadas.
Reconocimiento de dígitos hablados con aceleración por GPU
Generación de código C/C++
Utilice MATLAB® Coder™ para generar código C/C++ independiente compatible con ANSI a partir de las funciones de Wavelet Toolbox™ que permiten la generación de código C/C++.
Genere código CUDA optimizado para su ejecución en GPU de NVIDIA para las funciones soportadas.
Generación de código para eliminación de ruido en señales
Transformada wavelet empírica
Realice descomposición de señales adaptativa con segmentación de espectro totalmente automatizada
Marginales de CWT
Obtenga y visualice el espectro de wavelet con tiempo promedio y escala promedio
Aceleración por GPU
Utilice GPU para acelerar funciones que incluyen transformadas wavelet discretas y de tiempo-frecuencia
Generación de código C/C++
Genere código C/C++ para eliminación de ruido, análisis discreto de wavelets y funciones de tiempo-frecuencia
Generación de código de GPU
Genere código CUDA para funciones de análisis discreto de wavelets
Consulte las notas de la versión para obtener detalles sobre estas funcionalidades y las funciones correspondientes.
