Wavelet Toolbox™ обеспечивает функции и приложения для анализа и синтезирования сигналов и изображений. Тулбокс включает алгоритмы для непрерывного анализа вейвлета, когерентности вейвлета, synchrosqueezing, и адаптивного данными частотно-временного анализа. Тулбокс также включает приложения и функции для подкошенного и неподкошенного дискретного анализа вейвлета сигналов и изображений, включая пакеты вейвлета, и двойное дерево преобразовывает.
Используя непрерывный анализ вейвлета, можно изучить способ, которым спектральные функции развиваются в зависимости от времени, идентифицируют общие изменяющиеся во времени шаблоны в двух сигналах и выполняют локализованную временем фильтрацию. Используя дискретный анализ вейвлета, можно анализировать сигналы и изображения в различных разрешениях, чтобы обнаружить changepoints, разрывы и другие события, не с готовностью видимые в необработанных данных. Можно сравнить статистику сигнала по нескольким шкалам и выполнить фрактальный анализ данных, чтобы показать скрытые шаблоны.
С Wavelet Toolbox можно получить разреженное представление данных, полезных для шумоподавления или сжатия данных при сохранении важных функций. Много функций тулбокса поддерживают генерацию кода C/C++ для развертывания встраиваемой системы и анализа прототипа.
Изучите основы Wavelet Toolbox
CWT, постоянное-Q преобразование, эмпирическое разложение моды, когерентность вейвлета, перекрестный спектр вейвлета
DWT, MODWT, двойной древовидный вейвлет преобразовывает, shearlets, пакеты вейвлета, анализ мультисигнала
Уменьшение вейвлета, непараметрическая регрессия, блокирует пороговую обработку, пороговую обработку мультисигнала
Рассеивание вейвлета, основанные на вейвлете методы для машинного обучения и глубокого обучения
Ортогональный и биоортогональный вейвлет и масштабирующиеся фильтры, поднимаясь
Сгенерируйте C/C++ и код CUDA® и MEX-функции и функции запуска на графическом процессоре (GPU)