Дискретный анализ вейвлета

DWT, MODWT, двойной древовидный вейвлет преобразовывает, пакеты вейвлета, анализ мультисигнала

Дискретный вейвлет преобразовывает (DWTs), включая максимальное перекрытие дискретный вейвлет преобразовывает (MODWT), анализируйте сигналы и изображения в прогрессивно более прекрасные полосы октавы. Этот анализ мультиразрешения позволяет вам выявить закономерности, которые не видимы в необработанных данных. Можно использовать вейвлеты, чтобы получить многошкальные оценки отклонения сигнала или измерить многошкальную корреляцию между двумя сигналами. Можно также восстановить сигнал (1-D) и отобразить (2D) приближения, которые сохраняют только желаемые функции и сравнивают распределение энергии в сигналах через диапазоны частот. Пакеты вейвлета предоставляют семейству преобразований, которые делят содержимое частоты сигналов и изображений на прогрессивно более прекрасные интервалы равной ширины.

Используйте функции Wavelet Toolbox™, чтобы анализировать сигналы, и изображения с помощью подкошенного (субдискретизируемого) и неподкошенного вейвлета преобразовывает. Можно создать набор фильтров DWT и визуализировать вейвлеты и масштабирующиеся функции вовремя и частоту. Можно также создать набор фильтров с помощью собственных фильтров и определить, является ли набор фильтров ортогональным или биоортогональным. Можно измерить пропускную способность на 3 дБ вейвлетов и масштабирующихся функций. Можно также измерить энергетическую концентрацию вейвлета и масштабирующихся функций в теоретических полосах пропускания DWT. Используйте анализ мультисигнала, чтобы показать зависимости через несколько сигналов. Решите, что оптимальный пакет вейвлета преобразовывает для сигнала или изображения. Используйте пакетный спектр вейвлета, чтобы получить анализ частоты времени сигнала. Используйте подъем функций, чтобы реализовать совершенные наборы фильтров реконструкции с определенными свойствами.

  • Анализ сигнала
    Подкошенный и неподкошенный 1D вейвлет преобразовывает, 1D дискретный банк фильтра преобразований вейвлета, 1D двойное дерево преобразовывает, пакеты вейвлета, поднимаясь
  • Анализ изображения
    Подкошенные и неподкошенные 2D преобразования, 2D двойное дерево преобразовывает, 2D поднимающиеся схемы, сплав изображений, пакетный анализ вейвлета
  • 3-D Анализ
    Дискретный анализ вейвлета объемных данных
  • Анализ мультисигнала
    Многомерные сигналы, PCA мультисигнала

Популярные примеры

Scale-Localized Volatility and Correlation

Локализованная шкалой энергозависимость и корреляция

Существует много различных изменений вейвлета, преобразовывают. Этот пример фокусируется на максимальном перекрытии дискретном вейвлете преобразовывает (MODWT). MODWT является неподкошенным вейвлетом, преобразовывают по двухместному (степени двойки) шкалы, который часто используется с финансовыми данными. Одна хорошая функция MODWT для анализа временных рядов - то, что это делит отклонение данных шкалой. Чтобы проиллюстрировать это, рассмотрите ежеквартальные взвешенные цепочкой американские действительные данные о GDP для 1974Q1 к 2012Q4. Данные были преобразованы путем первого взятия натурального логарифма и затем вычисления различия года по году. Получите MODWT действительных данных о GDP вниз, чтобы выровняться шесть с 'db2' вейвлетом. Исследуйте отклонение данных и сравните это с отклонениями шкалой, полученной с MODWT.

Для просмотра документации необходимо авторизоваться на сайте