Die Wavelet Toolbox™ bietet eine Vielzahl von Apps und Funktionen für die Analyse und Synthese von Signalen und Bildern. Mit ihr können Ereignisse wie Anomalien, Übergangspunkte und Transienten ermittelt sowie Daten entrauscht und komprimiert werden. Wavelet-Verfahren und andere multiskalare Methoden lassen sich zur Analyse von Daten mit unterschiedlichen Zeit- und Frequenzauflösungen und zur Zerlegung von Signalen und Bildern in ihre verschiedenen Komponenten einsetzen. Mit Wavelet-Methoden können etwa die Dimensionalität von Signalen und Bildern reduziert oder Unterscheidungs-Merkmale daraus extrahiert und dann zum Trainieren von Modellen für das Machine Learning und Deep Learning genutzt werden.
Die Wavelet Toolbox ermöglicht außerdem die interaktive Entrauschung von Signalen, Multiresolutions- und Wavelet-Analysen sowie die Generierung von MATLAB®-Code. Sie enthält dazu Algorithmen zur Analyse kontinuierlicher und diskreter Wavelets und von Wavelet-Paketen sowie für Multiresolutions-Analysen, die Wavelet-Streuung und andere multiskalare Analysen.
Viele Toolbox-Funktionen unterstützen die Generierung von C/C++- und CUDA®-Code für das Desktop Prototyping und die Bereitstellung auf Embedded Systems.
Machine Learning und Deep Learning mit Wavelets
Leiten Sie Merkmale mit niedriger Varianz aus reell-wertigen Zeitreihen und Bilddaten ab und nutzen Sie sie zur Klassifikation und Regression durch Machine Learning und Deep Learning. Mit kontinuierlichen Wavelet-Analysen können Sie 2D-Zeit-Frequenz-Karten von Zeitreihendaten erzeugen, die als Eingaben für Deep Convolutional Neural Networks (CNN, faltendes neuronales Netz) dienen.
Zeit-Frequenz-Analyse
Mit der kontinuierlichen Wavelet-Transformation (CWT) analysieren Sie Signale gleichzeitig in Zeit und Frequenz sowie Bilder gleichzeitig im Raum, der räumlichen Frequenz und dem Winkel. Typische zeitvariante Muster lassen sich durch Wavelet-Kohärenz identifizieren. Für adaptive Zeit-Frequenz-Analysen stehen nichtstationäre Gabor Frames mit der Constant-Q-Transformation (CQT) zur Verfügung.
Diskrete Multiresolutions-Analyse
Mit der dezimierten diskreten Wavelet-Transformation (DWT) analysieren Sie Signale, Bilder und 3D-Volumina in schrittweise feineren Oktavenbändern. Daneben lassen sich nicht-dezimierte Wavelet-Transformationen implementieren. Weiter stehen Verfahren zur Zerlegung nichtlinearer oder instationärer Prozesse in Moden ihrer Eigenschwingungen zur Verfügung.
Filterbänke
Mit orthogonalen Wavelet-Filterbänken wie Daubechies, Coiflet, Haar und anderen können Sie Multiresolutions-Analysen durchführen und Merkmale identifizieren. Individuelle Filterbänke lassen sich mit der Lifting-Methode entwickeln. Das Lifting bietet außerdem einen rechnerisch effizienten Ansatz für die Analyse von Signalen und Bildern in verschiedenen Auflösungen oder Skalen.
Entrauschung und Komprimierung
Mit den Entrauschungsverfahren für Wavelets und Wavelet-Pakete können Sie Merkmale beibehalten, die andere Entrauschungsverfahren entfernen oder glätten würden. Mit der Wavelet Signal Denoiser-App können Sie 1D-Signale visualisieren und entrauschen. Durch Kompression mit Wavelets und Wavelet-Paketen lassen sich Daten aus Signalen und Bildern ohne wahrnehmbare Beeinträchtigungen entfernen.
Beschleunigung und Bereitstellung
Beschleunigen Sie Ihren Code für unterstützte Funktionen durch Nutzung von GPUs und Mehrkern-Prozessoren. Mit dem MATLAB Coder™ erzeugen Sie eigenständigen ANSI-konformen C/C++-Code aus den Funktionen der Wavelet Toolbox, die diese Codegenerierung unterstützen. Daneben lässt sich optimierter CUDA-Code für die Ausführung auf NVIDIA®-GPUs aus unterstützten Funktionen generieren.
