Выполните и интерпретируйте непрерывный вейвлет. Пример помогает вам ответить на общие вопросы, такие как: В чем различие между непрерывным и дискретным вейвлет? Почему частоты или шкалы в непрерывном вейвлет логарифмически разнесены? В каких типах анализа сигналов проблемы являются непрерывными вейвлетами методов особенно полезными?

Выполните и интерпретируйте мультиразрешение основного сигнала (MRA). Пример использует как моделируемые, так и реальные данные, чтобы ответить на такие вопросы, как: Что означает мультирезолюционный анализ? Какие сведения о моем сигнале я могу получить, выполнив мультирезолюционный анализ? Каковы некоторые преимущества и недостатки различных методов MRA? Многие из анализов, представленных здесь, могут быть реплицированы с помощью приложения Signal Multiresolution Analyzer.

Используйте непрерывное вейвлет (CWT), чтобы анализировать модулированные сигналы.

Используйте приложение Wavelet Signal Denoiser, чтобы денонсировать реальный сигнал 1-D. Можно создать и сравнить несколько версий деноизированного сигнала с приложением и экспортировать нужный деноизированный сигнал в рабочую область MATLAB ®. Чтобы воспроизвести деноизированный сигнал 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 электрокардиограммы сердцебиения с помощью глубокого обучения и непрерывного преобразования вейвлета.

Классификация жанра музыкального отрывка с помощью вейвлет рассеяния и audio datastore. При вейвлет данные распространяются через ряд вейвлет, нелинейностей и усреднения, чтобы получить низкодисперсные представления данных. Эти представления с низкой дисперсией затем используются в качестве входов для классификатора.

Существуют несколько различных изменений вейвлет. Этот пример фокусируется на максимальном перекрывании дискретного вейвлет (MODWT). MODWT является неопределенным вейвлет по диадическим (степеням двойки) шкалам, которое часто используется с финансовыми данными. Одной из приятных функций MODWT для анализа временных рядов является то, что он разделяет отклонение данных по шкалам. Чтобы проиллюстрировать это, рассмотрим ежеквартальные взвешенные по цепочке данные о реальном ВВП США для 1974Q1 к 2012Q4. Данные были преобразованы путем сначала взятия естественного логарифма, а затем вычисления различия за год. Получите MODWT реальных данных ВВП до шестого уровня с вейвлет 'db2'. Исследуйте дисперсию данных и сравните ее с отклонениями по шкале, полученной с помощью MODWT.