Wavelet Toolbox

Analisi e sintesi di segnali e immagini utilizzando wavelet

Wavelet Toolbox™ fornisce applicazioni e funzioni per analizzare e sintetizzare segnali e immagini. È possibile rilevare eventi come anomalie, punti di cambiamento e transitori, e rimuovere il rumore dai dati e comprimerli. È possibile utilizzare wavelet e altre tecniche multiscala per analizzare i dati a diverse risoluzioni di tempo e frequenza e per decomporre segnali e immagini nelle loro varie componenti. È possibile utilizzare tecniche wavelet per ridurre la dimensionalità ed estrarre feature discriminanti da segnali e immagini per addestrare modelli di Machine Learning e Deep Learning.

Wavelet Toolbox consente di rimuovere interattivamente il rumore dai segnali, eseguire analisi multirisoluzione e wavelet e generare codice MATLAB^®. Il toolbox include algoritmi per l'analisi wavelet continua e discreta, l'analisi tramite pacchetti wavelet, l'analisi multirisoluzione, il wavelet scattering e altre analisi multiscala.

Molte funzioni del toolbox supportano la generazione di codice C/C++ e CUDA^® per la prototipazione su desktop e la distribuzione su sistemi embedded.

Che cos’è Wavelet Toolbox?

Machine Learning e Deep Learning con le wavelet

Deriva le feature di bassa varianza a partire da dati immagine e serie storiche di valore reale, da utilizzare per la classificazione e la regressione nel Machine Learning e Deep Learning. Utilizza l’analisi wavelet continua per generare mappe di tempo-frequenza 2D dei dati di serie storiche, utilizzabili come input con le reti neurali convoluzionali profonde (CNN).

Documentazione | Esempi

Analisi tempo-frequenza

Analizza i segnali congiuntamente nel tempo e nella frequenza e le immagini congiuntamente nello spazio, nella frequenza spaziale e nell'angolo con la trasformata wavelet continua (CWT). Utilizza la coerenza wavelet per individuare modelli comuni variabili nel tempo. Esegui analisi tempo-frequenza di tipo adattivo usando frame di Gabor non stazionari con la trasformata a Q costante (CQT).

Documentazione | Esempi

Applicazione Signal Multiresolution Analyser che illustra l'interfaccia utente.

Analisi multirisoluzione discreta

Esegui una trasformata wavelet discreta decimata (DWT) per analizzare segnali, immagini e volumi 3D in bande di ottava progressivamente più precise. Implementa trasformate wavelet in versione non decimata. Decomponi processi non lineari o non stazionari in modalità intrinseche di oscillazione usando una serie di tecniche.

Documentazione | Esempi

Banchi di filtri

Usa banchi di filtri di wavelet ortogonali come Daubechies, Coiflet, Haar e altri per svolgere l’analisi multirisoluzione e il rilevamento delle feature. Progetta banchi di filtri personalizzati utilizzando 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.

Documentazione | Esempi

Riduzione del rumore e compressione

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 consente di visualizzare e rimuovere il rumore da segnali 1D. Usa le wavelet e i pacchetti wavelet per comprimere segnali e immagini rimuovendo i dati senza intaccare la qualità percettiva.

Documentazione | Esempi

Accelerazione della coerenza wavelet e di altre funzioni wavelet su GPU.

Accelerazione e distribuzione

Velocizza il tuo codice usando GPU e processori multicore per le funzioni supportate. Utilizza MATLAB Coder™ per generare codice C/C++ standalone conforme ad 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.

Documentazione | Esempi