Wavelet Toolbox

Durchführung von Zeit-Frequenz- und Wavelet-Analysen von Signalen und Bildern

Die Wavelet Toolbox™ bietet Apps und Funktionen für die Zeit-Frequenz-Analyse von Signalen und die multiskalare Analyse von Bildern. Sie können Daten entrauschen und komprimieren sowie Anomalien, Änderungspunkte und Transienten erkennen. Die Toolbox ermöglicht datenorientierte KI-Workflows durch die Bereitstellung von Zeit-Frequenz-Transformationen und automatisierten Merkmalsextraktionen, darunter Streutransformationen, kontinuierliche Wavelet-Transformationen (Skalogramme), Wigner-Ville-Verteilung und empirische Modus-Zerlegung. Sie können mithilfe von Wavelet-, Wavelet-Paket- und Shearlet-Transformationen Kanten und ausgerichtete Merkmale aus Bildern extrahieren.

Die App ermöglicht interaktive Zeit-Frequenz-Analysen, die Entrauschung von Signalen und Bildanalysen sowie die Generierung von MATLAB^®-Skripten zur Reproduktion oder Automatisierung Ihrer Arbeit.

Sie können C/C++ und CUDA^®-Code aus Toolbox-Funktionen für die Bereitstellung in Embedded Systems generieren.

Was ist die Wavelet Toolbox?

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.

Dokumentation | Beispiele

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.

Dokumentation | Beispiele

Signal Multiresolution Analyser-App mit Darstellung der Benutzeroberfläche.

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.

Dokumentation | Beispiele

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.

Dokumentation | Beispiele

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.

Dokumentation | Beispiele

Beschleunigung der Kohärenz von Wavelets und anderen Wavelet-Funktionen auf GPUs.

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.

Dokumentation | Beispiele