Wavelet Toolbox™ provides functions and apps for analyzing and synthesizing signals and images. The toolbox includes algorithms for continuous wavelet analysis, wavelet coherence, synchrosqueezing, and data-adaptive time-frequency analysis. The toolbox also includes apps and functions for decimated and nondecimated discrete wavelet analysis of signals and images, including wavelet packets and dual-tree transforms.
Using continuous wavelet analysis, you can explore how spectral features evolve over time, identify common time-varying patterns in two signals, and perform time-localized filtering. Using discrete wavelet analysis, you can analyze signals and images at different resolutions to detect changepoints, discontinuities, and other events not readily visible in raw data. You can compare signal statistics on multiple scales, and perform fractal analysis of data to reveal hidden patterns.
With Wavelet Toolbox you can obtain a sparse representation of data, useful for denoising or compressing the data while preserving important features. Many toolbox functions support C/C++ code generation for desktop prototyping and embedded system deployment.
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 usare con il Machine Learning e il Deep Learning per la classificazione e la regressione. Usa 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).
Analisi tempo-frequenza
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 diffusi variabili nel tempo. Esegui analisi tempo-frequenza di tipo adattivo usando frame di Gabor non stazionari con la trasformata a Q costante (CQT).
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.
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 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.
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.
Accelerazione e distribuzione
Velocizza il tuo codice usando GPU e processori multicore per le funzioni supportate. Usa 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.
Risorse sui prodotti:
“Gli algoritmi che abbiamo sviluppato in MATLAB hanno restituito al partecipante il controllo di base del braccio e della mano. Alla fine dello studio è stato in grado di afferrare una bottiglia, versarne il contenuto e poggiarla, come anche prendere un bastoncino e mescolare”.
David Friedenberg, Battelle
