Wavelet Toolbox
Analizzare e sintetizzare segnali e immagini utilizzando wavelet
Wavelet Toolbox™ offre funzioni e app per analizzare e sintetizzare segnali e immagini. Il toolbox comprende algoritmi per l’analisi tramite wavelet continua, la coerenza wavelet, il synchrosqueezing e l’analisi tempo-frequenza di tipo adattivo. Il toolbox dispone altresì di app e funzioni per l’analisi tramite wavelet discreta in versione decimata e non di segnali e immagini, compresi i pacchetti wavelet e le trasformate a doppio albero.
Usando l’analisi tramite wavelet continua, è possibile scoprire l’evoluzione delle caratteristiche spettrali nel tempo, individuare pattern variabili nel tempo di due segnali ed eseguire il filtraggio localizzato nel tempo. Usando l’analisi tramite wavelet discreta, è possibile analizzare i segnali e le immagini a risoluzioni diverse per rilevare i changepoint, le discontinuità e altri eventi non visibili direttamente nei dati grezzi. È possibile confrontare i dati statistici dei segnali su più scale, oltre ad eseguire l’analisi frattale dei dati per scoprire i pattern nascosti.
Wavelet Toolbox consente di ottenere una rappresentazione sparsa dei dati, utile per ridurre il rumore o comprimere i dati conservandone le caratteristiche più importanti. Molte funzioni del toolbox supportano la generazione di codice C/C++ per la prototipazione su desktop e la distribuzione su sistemi embedded.
Per iniziare:
Wavelet Scattering
Deriva le feature di bassa varianza a partire da serie storiche di valore reale e da dati immagine da usare con il machine learning e il deep learning per la classificazione e la regressione.
Classificazione di generi musicali con Wavelet Time Scattering.
Tecniche basate su wavelet per il deep learning
Usa l’analisi tramite wavelet continua per generare mappe di tempo-frequenza 2D dei dati di serie storiche, utilizzabili come input con le reti neurali convoluzionali profonde (CNN).
Classificazione di serie storiche con l’analisi wavelet e il deep learning.
Esempi di riferimento
Usa gli esempi per prendere dimestichezza con le tecniche basate su wavelet per il machine learning e il deep learning.
Classificazione di cifre con Wavelet Scattering.
Trasformata wavelet continua
Analizza segnali e immagini sia nel tempo che nella frequenza con la trasformata wavelet continua (CWT) usando l’app Wavelet Analyzer. Usa la coerenza wavelet per individuare pattern comuni variabili nel tempo.
Ottieni una risoluzione maggiore ed estrai modalità oscillanti da un segnale tramite il wavelet synchrosqueezing. Ricostruisci le approssimazioni localizzate a livello di tempo-frequenza dei segnali oppure filtra le componenti della frequenza localizzate nel tempo.
Analisi wavelet di dati finanziari.
Trasformata a Q costante
Esegui analisi tempo-frequenza di tipo adattivo usando frame di Gabor non stazionari con la trasformata a Q costante (CQT).
Trasformata di Gabor non stazionaria a Q costante.
Analisi tramite pacchetti wavelet e wavelet in versione decimata
Esegui una trasformata wavelet discreta decimata (DWT) per analizzare segnali, immagini e volumi 3D in bande di ottava progressivamente più precise.
Usa le trasformate di pacchetti wavelet per suddividere il contenuto di frequenza dei segnali e delle immagini in intervalli di larghezza uguale, progressivamente più stretti, preservando al contempo l’energia complessiva dei dati. Usa le trasformate wavelet a doppio albero per fare analisi tramite wavelet discrete, a ridondanza minima e invarianti alla traslazione di segnali e immagini.
Decomposizione wavelet 1D.
Analisi tramite pacchetti wavelet e wavelet in versione non decimata
Implementa trasformate wavelet in versione non decimata come la trasformata wavelet stazionaria (SWT), le Maximum Overlap Discrete Wavelet Transform (MODWT) e le Maximum Overlap Wavelet Packet Transform.
Usa l’app Signal Multiresolution Analyzer per generare e confrontare le decomposizioni in modi empirici (EMD) o le decomposizioni wavelet multilivello dei segnali.
MODWT con l’app Signal Multiresolution Analyzer.
Trasformate di tipo adattivo
Decomponi processi non lineari o non stazionari in modi intrinseci di oscillazione usando tecniche come la Empirical Mode Decomposition (EMD) e la Variational Mode Decomposition (VMD).
Esegui l’analisi spettrale di Hilbert sui segnali per individuare feature localizzate.
Variational Mode Decomposition (VMD).
Banchi di filtri ortogonali e biortogonali
Usa banchi di filtri di wavelet ortogonali come Daubechies, Coiflet, Haar e altri per svolgere l’analisi multirisoluzione e il rilevamento delle feature.
I banchi di filtri biortogonali come le spline biortogonali e le spline inverse possono essere usati per la compressione dei dati.
Wavelet e funzione di scaling biortogonale.
Lifting
Il lifting offre anche un approccio efficiente dal punto di vista computazionale per implementare la trasformata wavelet discreta su segnali o immagini.
Progetta wavelet di prima e seconda generazione con il metodo di lifting. Il lifting offre anche un approccio efficiente dal punto di vista computazionale per analizzare un segnale e le immagini su scale e risoluzioni diverse.
Lifting primario da Haar.
Riduzione del rumore
Usa le tecniche di riduzione del rumore tramite wavelet e pacchetti wavelet per trattenere le feature che vengono rimosse o uniformate mediante altre tecniche di riduzione del rumore.
L’app Wavelet Signal Denoiser può essere utilizzata per visualizzare e ridurre il rumore da segnali 1D.
Riduzione del rumore da un segnale con Wavelet Signal Denoiser.
Compressione
Usa le wavelet e i pacchetti wavelet per comprimere segnali e immagini rimuovendo i dati senza intaccare la qualità percettiva.
Compressione reale bidimensionale.
Accelerazione del codice
Velocizza il tuo codice usando GPU e processori multicore per le funzioni supportate.
Riconoscimento del parlato con l’accelerazione GPU.
Generazione di codice C/C++
Usa MATLAB® Coder™ per generare codice C/C++ standalone conforme a ANSI dalle funzioni di Wavelet Toolbox™ abilitate per supportare la generazione di codice C/C++.
Genera codice CUDA ottimizzato da eseguire sulle GPU di NVIDIA per le funzioni supportate.
Generazione di codice per la riduzione del rumore da un segnale.
Trasformata wavelet empirica
Esecuzione della decomposizione adattiva dei segnali tramite la segmentazione dello spettro completamente automatizzata
Marginali CWT
Ottenimento e visualizzazione dello spettro delle wavelet mediato nel tempo e in scala
Accelerazione GPU
Uso delle GPU per accelerare le funzioni, comprese le trasformate wavelet discrete e di tempo–frequenza
Generazione di codice C/C++
Generazione di codice C/C++ per la riduzione del rumore, l’analisi tramite wavelet discreta e le funzioni di tempo–frequenza
Generazione di codice GPU
Generazione di codice CUDA per le funzioni di analisi tramite wavelet discreta
Consulta le note di rilascio per ulteriori informazioni su queste caratteristiche e sulle funzioni corrispondenti.
