Analisi multirisoluzione discreta
Le trasformate wavelet discrete (DWT), compresa la trasformata wavelet discreta a sovrapposizione massima (MODWT), analizzano segnali e immagini suddividendoli in bande di ottava progressivamente più fini. Questa analisi multirisoluzione consente di individuare pattern che non sono visibili nei dati grezzi. È possibile utilizzare le wavelet per ottenere stime della varianza multiscala del segnale o per misurare la correlazione su più scale tra due segnali. È inoltre possibile ricostruire approssimazioni di segnali (monodimensionali) e di immagini (bidimensionali) che conservino solo le feature desiderate e confrontare la distribuzione dell'energia nei segnali tra le diverse bande di frequenza. Le shearlet forniscono approssimazioni sparse delle feature anisotropiche presenti nelle immagini. I pacchetti di wavelet costituiscono una famiglia di trasformate che suddividono il contenuto in frequenza di segnali e immagini in intervalli di larghezza uguale e progressivamente più fini.
Utilizzare le funzioni Wavelet Toolbox™ per analizzare segnali e immagini mediante trasformate wavelet decimate (sottocampionate) e non decimate. È possibile creare un banco di filtri DWT e visualizzare le wavelet e le funzioni di ridimensionamento nel dominio del tempo e della frequenza. È inoltre possibile creare un banco di filtri utilizzando filtri personalizzati e stabilire se il banco di filtri sia ortogonale o biortogonale. È possibile misurare le larghezze di banda a 3 dB delle wavelet e delle funzioni di ridimensionamento. È inoltre possibile misurare la concentrazione di energia delle wavelet e delle funzioni di ridimensionamento nelle bande passanti teoriche della DWT. Utilizzare l'analisi multisegnale per individuare le dipendenze tra più segnali. Utilizzare le shearlet per creare rappresentazioni sparse delle immagini sensibili alla direzione. Determinare la trasformata a pacchetti di wavelet ottimale per un segnale o un'immagine. Utilizzare lo spettro dei pacchetti di wavelet per ottenere un'analisi tempo-frequenza di un segnale.
Categorie
- Analisi del segnale
Trasformate wavelet monodimensionali decimate e non decimate, banco di filtri per la trasformata wavelet discreta monodimensionale, trasformate monodimensionali a doppio albero, pacchetti di wavelet
- Analisi delle immagini
Trasformate bidimensionali decimate e non decimate, trasformate bidimensionali a doppio albero, shearlet, fusione di immagini, analisi dei pacchetti di wavelet
- Analisi tridimensionale
Analisi wavelet discreta dei dati volumetrici
- Analisi multisegnale
Segnali multivariati, PCA multisegnale
Esempi in primo piano
Practical Introduction to Multiresolution Analysis
Perform and interpret basic signal multiresolution analysis (MRA).
Wavelet Packet Harmonic Interference Removal
Use wavelet packets to remove harmonic interference from an electrocardiogram (ECG) signal.
Haar Transforms for Time Series Data and Images
Use Haar transforms to analyze signal variability, create signal approximations, and watermark images.
Wavelet Changepoint Detection
Use wavelets to detect changes in the variance of a process. Changes in variance are important because they often indicate that something fundamental has changed about the data-generating mechanism.
Scale-Localized Volatility and Correlation
Assess volatility in GDP data using wavelet analysis.
Wavelet Cross-Correlation for Lead-Lag Analysis
Measure the similarity between two signals at different scales.
R Wave Detection in the ECG
Use wavelets to analyze electrocardiogram (ECG) signals. ECG signals are frequently nonstationary meaning that their frequency content changes over time. These changes are the events of interest.
Signal Classification Using Wavelet-Based Features and Support Vector Machines
Classify electrocardiogram signals using features derived from wavelets and an autoregressive model.
