Выполните и интерпретируйте непрерывный анализ вейвлета. Пример помогает вам ответить на общие вопросы, такие как: Каково различие между непрерывным и дискретным анализом вейвлета? Почему частоты, или шкалы в непрерывном анализе вейвлета, логарифмически расположенном с интервалами? В каких типах аналитических проблем сигнала непрерывные методы вейвлета особенно полезны?

Выполните и интерпретируйте анализ мультиразрешения базового сигнала (MRA). Пример использует и симулированные и действительные данные, чтобы ответить на вопросы, такие как: Что означает анализ мультиразрешения? Какая информация о моем сигнале я могу получить выполнение анализа мультиразрешения? Что такое некоторые преимущества и недостатки различных методов MRA? Многие исследования, представленные здесь, могут быть реплицированы с помощью приложения Signal Multiresolution Analyzer.

Используйте непрерывный вейвлет преобразовывает (CWT), чтобы анализировать модулируемые сигналы.

Используйте приложение Wavelet Signal Denoiser для denoise 1D сигнал с действительным знаком. Можно создать и сравнить несколько версий сигнала denoised с приложением и экспортировать желаемый сигнал denoised в рабочую область MATLAB®. Чтобы воспроизвести сигнал denoised в вашей рабочей области или применить те же параметры шумоподавления к другим данным, можно сгенерировать и отредактировать скрипт MATLAB. Этот пример иллюстрирует один возможный рабочий процесс.

Классифицируйте данные об электрокардиограмме heartbeat с помощью глубокого обучения, и непрерывный вейвлет преобразовывают.

Классифицируйте жанр музыкальной выборки с помощью времени вейвлета, рассеявшись и аудио datastore. В рассеивании вейвлета данные распространены через серию вейвлета, преобразовывает, нелинейность и усреднение, чтобы произвести представления низкого отклонения данных. Эти представления низкого отклонения затем используются в качестве входных параметров к классификатору.

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 цепью американские действительные данные о GDP для 1974Q1 к 2012Q4. Данные были преобразованы путем первого взятия натурального логарифма и затем вычисления разности 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.