Анализ сигнала

Подкошенный и неподкошенный 1D вейвлет преобразовывает, 1D дискретный банк фильтра преобразований вейвлета, 1D двойное дерево преобразовывает, пакеты вейвлета, поднимаясь

Анализируйте сигналы с помощью дискретного вейвлета, преобразовывает, двойное дерево преобразовывает, пакеты вейвлета, и снимая методы.

Функции

развернуть все

wavedec1D разложение вейвлета
waverec1D реконструкция вейвлета
appcoef1D коэффициенты приближения
detcoef1D коэффициенты детали
haartХаар 1D вейвлет преобразовывает
ihaartОбратный 1D Вейвлет - преобразование Хаара
lwt1D поднимающийся вейвлет преобразовывает
ilwtОбратный 1D поднимающийся вейвлет преобразовывает
lwtcoefИзвлеките или восстановите 1D коэффициенты вейвлета LWT
wrcoefВосстановите одно ответвление от 1D коэффициентов вейвлета
dwtfilterbankДискретный банк фильтра преобразований вейвлета
wpdecПакетное 1D разложение вейвлета
wprecПакетная 1D реконструкция вейвлета
wpcoefПакетные коэффициенты вейвлета
wprcoefВосстановите пакетные коэффициенты вейвлета
besttreeЛучший древовидный пакетный анализ вейвлета
wpspectrumПакетный спектр вейвлета
otnodesЗакажите терминальные узлы бинарного пакетного дерева вейвлета
depo2indУзел, позиционный глубиной к индексу узла
ind2depoИндекс узла к позиционному глубиной узлу
modwtМаксимальное перекрытие дискретный вейвлет преобразовывает
imodwtОбратное максимальное перекрытие дискретный вейвлет преобразовывает
modwtmraАнализ мультиразрешения на основе MODWT
modwtcorrМногошкальная корреляция с помощью максимального перекрытия дискретный вейвлет преобразовывает
modwtvarМногошкальное отклонение максимального перекрытия дискретный вейвлет преобразовывает
modwtxcorrОценки последовательности взаимной корреляции вейвлета с помощью максимального перекрытия дискретного вейвлета преобразовывает (MODWT)
swtДискретный стационарный вейвлет преобразовывает 1D
iswtОбратный дискретный стационарный вейвлет преобразовывает 1D
modwptМаксимальное перекрытие дискретный пакет вейвлета преобразовывает
imodwptОбратное максимальное перекрытие дискретный пакет вейвлета преобразовывает
modwptdetailsМаксимальное перекрытие дискретный пакет вейвлета преобразовывает детали
dddtreeДвойное дерево и 1D вейвлет с удвоенной плотностью преобразовывают
dddtreecfsИзвлеките dual-tree/double-density коэффициенты вейвлета или проекции
dtfiltersАнализ и синтез фильтруют для сверхдискретизированных наборов фильтров вейвлета
idddtreeОбратное двойное дерево и 1D вейвлет с удвоенной плотностью преобразовывают
plotdtДвойной древовидный или вейвлет графика с удвоенной плотностью преобразовывает
dwtleaderМультифрактальные 1D оценки лидера вейвлета
wfbmСинтез Фракционного броуновского движения
wfbmestiОценка параметра фракционного броуновского движения
wenergyЭнергия для 1D вейвлета или пакетного разложения вейвлета
wmaxlevМаксимальный уровень разложения вейвлета
dwtmodeДискретный вейвлет преобразовывает дополнительный режим
wvarchgНайдите точки перехода отклонения
measerrМетрики качества сигнала или приближения изображений
wavemngrМенеджер по вейвлету
dyaddownДвухместная субдискретизация
dyadupДвухместная повышающая дискретизация
tnodesОпределите терминальные узлы
treedpthДревовидная глубина
wpviewcfПостройте пакеты вейвлета, окрашенные коэффициентами
labeledSignalSetСоздайте маркированный набор сигнала
signalLabelDefinitionСоздайте определение метки сигнала

Приложения

Signal Multiresolution AnalyzerРазложите сигналы на выровненные временем компоненты

Темы

Критически выбранный DWT

Преобразования Хаара для данных временных рядов и изображений

Используйте Преобразования Хаара, чтобы анализировать изменчивость сигнала, создать приближения сигнала и изображения водяного знака.

Краевые эффекты

Компенсируйте дискретный вейвлет, преобразовывают краевые эффекты с помощью нулевого дополнения, симметризации и сглаженного дополнения.

Неподкошенный DWT

Аналитические вейвлеты Используя двойной древовидный вейвлет преобразовывают

Создайте приблизительно аналитические вейвлеты с помощью двойного древовидного комплексного вейвлета, преобразовывают.

Взаимная корреляция вейвлета для анализа Ведущей Задержки

Измерьте подобие между двумя сигналами в различных шкалах.

Неподкошенный дискретный стационарный вейвлет преобразовывает (SWTs)

Использование стационарный вейвлет преобразовывает, чтобы восстановить инвариантность перевода вейвлета.

Критически выбранные и сверхдискретизированные наборы фильтров вейвлета

Узнайте о с древовидной структурой, банках многоскоростного фильтра.

Оценка плотности

Оценка плотности Используя вейвлеты

Используйте вейвлеты для непараметрической оценки плотности вероятности.

Фрактальный анализ

1D синтез фракционного броуновского движения

Синтезируйте 1D сигнал фракционного броуновского движения.

Мультифрактальный анализ

Используйте вейвлет, чтобы охарактеризовать локальную регулярность сигнала с помощью лидеров вейвлета.

Пакетный анализ вейвлета

Пакеты вейвлета

Используйте пакеты вейвлета, индексированные положением, шкалой и частотой для разложения вейвлета 1D и 2D сигналов.

1D пакетный анализ вейвлета

Анализируйте сигнал с пакетами вейвлета с помощью приложения Wavelet Analyzer.

2D пакетный анализ вейвлета

Анализируйте изображение с пакетами вейвлета с помощью приложения Wavelet Analyzer.

Пакеты вейвлета: разложение деталей

Этот пример показывает, как пакеты вейвлета отличаются от дискретного вейвлета преобразовывает (DWT).

Популярные примеры

Multifractal Analysis

Мультифрактальный анализ

Используйте вейвлеты, чтобы охарактеризовать локальную регулярность сигнала. Способность описать регулярность сигнала важна при контакте с явлениями, которые не имеют никакой характеристической шкалы. Сигналы с динамикой без шкал широко наблюдаются во многих различных областях применения включая биомедицинскую обработку сигналов, геофизику, финансы и интернет-трафик. Каждый раз, когда вы применяете некоторый аналитический метод к своим данным, вы неизменно принимаете что-то о данных. Например, если вы используете автокорреляцию или оценку степени спектральной плотности (PSD), вы принимаете, что ваши данные являются инвариантом перевода, что означает, что статистические данные сигнала как среднее значение и отклонение не изменяются в зависимости от времени. Сигналы без характеристической шкалы инвариантны к масштабу. Это означает, что статистические данные сигнала не изменяются, если мы расширяем или уменьшаем ось времени. Классическим методам обработки сигналов обычно не удается соответственно описать эти сигналы или показать различия между сигналами с различным поведением масштабирования. В этих случаях фрактальный анализ может обеспечить уникальное понимание. Некоторые следующие примеры используют pwelch и xcorr для рисунка. Чтобы выполнить тот код, у вас должен быть Signal Processing Toolbox™.

Для просмотра документации необходимо авторизоваться на сайте