Wavelet Toolbox™ ofrece funciones y apps para analizar y sintetizar señales e imágenes. La toolbox incluye algoritmos para análisis continuo y coherencia de wavelets, synchrosqueezing, y análisis de tiempo-frecuencia adaptativos de datos. 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.
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 clasificación y regresión en Machine Learning y 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).
Análisis de tiempo-frecuencia
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. Realice análisis adaptativos de tiempo-frecuencia utilizando cuadros Gabor no estacionarios con la transformada Q constante (CQT).
Análisis multirresolución discreto
Realice la transformada wavelet discreta diezmada (DWT) para analizar señales, imágenes y volúmenes 3D en bandas de octavas progresivamente más finas. Implemente transformadas wavelet no diezmadas. Descomponga procesos no lineales o no estacionarios en modos intrínsecos de oscilación con técnicas.
Bancos de filtros
Utilice bancos de filtros de wavelets ortogonales, tales como Daubechies, Coiflet, Haar y otros, para realizar análisis multirresolución y detección de características. 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.
Eliminación de ruido y compresión
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. Con la app Wavelet Signal Denoiser, puede visualizar y eliminar el ruido de señales 1D. Utilice wavelets y paquetes de wavelets para comprimir señales e imágenes mediante la eliminación de datos sin afectar a la calidad perceptiva..
Aceleración y despliegue
Acelere el código utilizando GPU y procesadores multinúcleo para las funciones admitidas. 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 admitidas.
Recursos del producto:
“Los algoritmos que desarrollamos con MATLAB ayudaron al paciente a recuperar el control básico del brazo y la mano. Al final del estudio, logró asir una cafetera, verter el contenido, colocarla en la mesa, tomar una cuchara y revolver el contenido de una taza”.
David Friedenberg, Battelle
